自然語言處理(NLP)是一個分場的人工智能、語言學、計算機科學和關心的一代,識別和理解人類的語言,口語和書面語。NLP系統檢查句子的語法結構以及單詞的特定含義，然后利用算法提取含義并產生結果。自然語言處理中的機器學習和深度學習旨在回顧當前NLP領域的神經網絡技術，特別是關于會話代理(聊天機器人)、文本到語音、非文字內容的管理——如情感，但也包括諷刺表達——以及在醫療保健領域的應用。NLP有潛力成為各種醫療保健領域的顛覆性技術，但到目前為止，很少有人關注這一目標。本書旨在提供一些NLP技術的例子，例如語言恢復、檢測帕金森氏癥或幫助心理治療師。這本書是為廣大讀者準備的。初學者會發現有用的章節提供了NLP技術的一般介紹，而經驗豐富的專業人士會喜歡關于高級情感管理、同理心和非文字內容的章節。
我們將章節組織成五個部分：I. 引言，II. 對話智能體概述，III. 情感和情緒，IV. 虛假新聞與諷刺，以及 V. 在醫療保健中的應用。在第一部分中，編輯介紹了機器學習（ML）、深度學習（DL）和自然語言處理（NLP）以及使用這些技術推進NLP應用的進步。第二部分提供了關于對話代理和聊天機器人的當前方法的概述。第2章專注于聊天機器人和對話代理(CAs)的應用，作者強調了各種AI技術如何幫助開發智能CAs，他們還比較了不同的最新NLP-based聊天機器人架構。第3章展示了一個為社交對話設計的開放域共情CA的架構，它分兩步訓練。代理學習對話的相關高級結構，利用無監督和有監督學習的混合，而在第二步中，代理通過有監督和增強學習進行精煉，學習通過選擇最合適的高級響應方面來引發用戶中的積極情感。第三部分關注情感和情緒檢測的方法，以及用情緒增強的對話代理輸出的生成。在第4章中，作者展示了EMOTRON，它是經過訓練的情感語音的有條件生成，結合了光譜圖回歸損失來加強合成，和情感分類風格損失來引導條件化。第四部分介紹了應對虛假新聞和諷刺文本的方法。第5章強調了如何訓練DL有效地區分諷刺內容和非諷刺。在第6章中，作者介紹了一個原型的開發，該原型旨在通過從新聞文章中檢索可能提供支持或反駁聲明的證據來幫助記者進行事實檢查。最后，第五部分展示了在醫療領域的CA的一些實現。第7章關注于VocalHUM的算法組件的結構和開發，這是一個旨在實時增強患者低聲細語的可懂度的智能系統，基于音頻來最小化為實現足夠的聲音清晰度所必需的肌肉和呼吸努力，以及為正常強度講話所需的物理移動。第8章識別了使用ML方法早期檢測帕金森病所需的特征，第9章解釋了CAs、NLP和ML如何在心理治療中提供幫助。
付費5元查看完整內容
相關內容
最近，語義技術和人工智能（AI）的結合為構建能夠識別更精確結果的智能系統提供了新的技術。語義人工智能在知識圖譜中處于這一創新發展的前沿，通過圖形映射或基于語料庫的本體學習，揭示了機器學習在擴展知識圖譜中的作用。通過符號AI和統計AI的結合，如基于機器學習的實體提取、文本挖掘方法、語義知識圖譜和相關推理能力，確保高效的結果。本書是首次探索語義人工智能和知識圖譜的著作。內容涵蓋了從神經符號AI、可解釋AI和深度學習到知識發現與挖掘，以及知識表示與推理等多個主題。作為對人工智能和數據挖掘領域的研究人員和初學者學者的重要貢獻，本書是對語義人工智能在知識圖譜中的開創性探索。
付費5元查看完整內容
這本開放獲取的書籍介紹了向量語義學，它將詞向量的形式理論與語言學的認知理論相鏈接。開發詞向量的計算語言學家和深度學習研究者主要依賴于大量語料庫的日益增加和擁有高度并行GPU和TPU計算引擎的計算機，他們的關注點在于賦予計算機自然語言處理能力，以便應用于如機器翻譯或問答等實際應用。認知語言學家從人類認知的視角研究自然語言，探討語言與思維的關系，以及關于概念普遍性的問題，他們主要依賴于對語言使用的深入研究。
盡管這兩個學派都在他們的名字中包含了“語言學”，但到目前為止，他們之間的交流非常有限，因為他們的歷史起源、數據收集方法和概念框架相當不同。向量語義學通過提出一種形式理論來彌補這個鴻溝，該理論以線性多面體的形式表現，它既泛化了詞向量也泛化了概念結構，它將每個詞典定義視為一個方程，將整個詞匯表視為一組相互制約所有含義的方程。
付費5元查看完整內容
這本書為醫學學生、研究人員和專業人員提供了機器學習和醫學深度學習的基礎介紹，他們不一定在高等數學入門，但渴望更好地理解這種顛覆性技術及其對醫學的影響。人工智能(AI)曾經是計算機科學和工程部門以外的少數人知道的深奧學科，今天是一項廣泛流行的技術，被學術界的所有學者使用。特別是，近年來，醫學和生命科學領域的研究人員對機器學習和深度學習這一人工智能子領域產生了極大的興趣，這可以從過去十年同行評審醫學期刊上發表的關于該主題的文章數量的快速增長中得到證明。這一領域對優質教育資源的需求從來沒有像今天這樣大，而且只會繼續快速增長。
專家作者采用一種敘事風格，強調直覺而不是抽象的數學形式主義，消除了機器學習和深度學習周圍不必要的復雜性的面紗，使他們能夠在實用性和理論的嚴謹性之間取得微妙的平衡，以促進讀者的學習體驗。書中涉及的主題包括:醫學數據的數學編碼，線性回歸和分類，非線性特征工程，深度學習，卷積和循環神經網絡，強化學習。每一章以練習集結束，供讀者練習和測試他們的知識。
對于有興趣了解更多關于機器學習和深度學習的醫學學生、專業人士和研究人員來說，這是一個理想的介紹。在本科階段至少學過一門數學導論課程的讀者(例如，生物統計學或微積分)將能夠很好地使用本書，而不需要任何額外的先決條件。
//link.springer.com/book/10.1007/978-3-031-19502-0
付費5元查看完整內容
在過去的十年里，人們對人工智能和機器學習的興趣有了相當大的增長。從最廣泛的意義上說，這些領域旨在“學習一些有用的東西”，了解生物體所處的環境。如何處理收集到的信息導致了算法的發展——如何處理高維數據和處理不確定性。在機器學習和相關領域的早期研究階段，類似的技術在相對孤立的研究社區中被發現。雖然不是所有的技術都有概率論的自然描述，但許多都有，它是圖模型的框架(圖和概率論的結合)，使從統計物理、統計、機器學習和信息理論的想法的理解和轉移。在這種程度上，現在有理由期待機器學習研究人員熟悉統計建模技術的基礎知識。這本書集中在信息處理和機器學習的概率方面。當然，沒有人說這種方法是正確的，也沒有人說這是唯一有用的方法。事實上，有人可能會反駁說，這是沒有必要的，因為“生物有機體不使用概率論”。無論情況是否如此，不可否認的是，圖模型和概率框架幫助機器學習領域出現了新算法和模型的爆炸式增長。我們還應該清楚，貝葉斯觀點并不是描述機器學習和信息處理的唯一方法。貝葉斯和概率技術在需要考慮不確定性的領域中發揮了自己的作用。
//www0.cs.ucl.ac.uk/staff/d.barber/brml/
本書結構
本書第一部分的目的之一是鼓勵計算機科學專業的學生進入這一領域。許多現代學生面臨的一個特別困難是有限的正規微積分和線性代數訓練，這意味著連續和高維分布的細節可能會讓他們離開。在以概率作為推理系統的一種形式開始時，我們希望向讀者展示他們可能更熟悉的邏輯推理和動態規劃的想法如何在概率環境中有自然的相似之處。特別是，計算機科學的學生熟悉的概念，算法為核心。然而，在機器學習中更常見的做法是將模型視為核心，而如何實現則是次要的。從這個角度來看，理解如何將一個數學模型轉換成一段計算機代碼是核心。
第二部分介紹了理解連續分布所需的統計背景，以及如何從概率框架來看待學習。第三部分討論機器學習的主題。當然，當一些讀者看到他們最喜歡的統計話題被列在機器學習下面時，他們會感到驚訝。統計學和機器學習之間的一個不同觀點是，我們最終希望構建什么樣的系統(能夠完成“人類/生物信息處理任務的機器)，而不是某些技術。因此，我認為這本書的這一部分對機器學習者來說是有用的。第四部分討論了明確考慮時間的動態模型。特別是卡爾曼濾波器被視為圖模型的一種形式，這有助于強調模型是什么，而不是像工程文獻中更傳統的那樣把它作為一個“過濾器”。第五部分簡要介紹了近似推理技術，包括隨機(蒙特卡羅)和確定性(變分)技術。
付費5元查看完整內容
終身機器學習
·
終身機器學習(LL)是一種先進的機器學習(ML)范式，它不斷學習，積累過去學到的知識，并使用/適應它來幫助未來的學習和問題解決。在這個過程中，學習者變得越來越有知識，學習能力也越來越強。這種持續不斷的學習能力是人類智力的特征之一。然而，目前占主導地位的ML范式是孤立學習的:給定一個訓練數據集，它只在數據集上運行ML算法來生成模型。它不試圖保留所學的知識，并在以后的學習中使用。雖然這種主要基于數據驅動優化的孤立ML范式已經非常成功，但它需要大量的訓練示例，并且只適用于封閉環境中定義明確的狹窄任務。相比之下,我們人類學習有效地與幾個例子,在動態和開放的世界self-supervised方式或環境因為我們的學習也非常知識:知識學習在過去幫助我們學習新事物沒有數據或努力和適應新的/看不見的情況下。這種自我至上(或自我意識)的學習也使我們能夠在工作中，在與他人的互動中，在沒有外部監督的情況下，與現實世界的環境進行學習。LL的目標是實現所有這些能力。諸如聊天機器人、無人駕駛汽車或任何與人類/物理環境交互的人工智能系統都需要這些功能，因為它們需要應對動態和開放的環境，這讓它們別無選擇，只能不斷學習新東西，以便更好地工作。如果沒有LL能力，AI系統就不能被認為是真正智能的，也就是說，LL是智能或AGI(人工一般智能)所必需的。(見我的終身學習研究頁面)。
付費5元查看完整內容
從社交網絡到分子，許多真實數據都是以非網格對象的形式出現的，比如圖。最近，從網格數據(例如圖像)到圖深度學習受到了機器學習和數據挖掘領域前所未有的關注，這導致了一個新的跨領域研究——深度圖學習(DGL)。DGL的目標不是繁瑣的特征工程，而是以端到端方式學習圖的信息性表示。它在節點/圖分類、鏈接預測等任務中都取得了顯著的成功。
在本教程中，我們的目的是提供一個深入的圖學習的全面介紹。首先介紹了深度圖學習的理論基礎，重點描述了各種圖神經網絡模型(GNNs)。然后介紹DGL近年來的主要成就。具體來說，我們討論了四個主題:1)深度GNN的訓練; 2) GNNs的魯棒性; 3) GNN的可擴展性; 4) GNN的自監督和無監督學習。最后，我們將介紹DGL在各個領域的應用，包括但不限于藥物發現、計算機視覺、醫學圖像分析、社會網絡分析、自然語言處理和推薦。
//ai.tencent.com/ailab/ml/KDD-Deep-Graph-Learning.html
目錄： 01:00 pm – 01:30 pm: Brief History of Graph Neural Networks 圖神經網絡簡介 01:30 pm – 02:00 pm: Expressivity of GNNs GNNs表達性 02:00 pm – 02:45 pm: Training Deep GNNs 深度GNNs訓練 02:45 pm – 03:10 pm: Break 03:15 pm – 03:45 pm: Scalability of GNNs GNNs可擴展性 03:45 pm – 04:15 pm: Self/Un-Supervised Learning of GNNs GNNs自(無)監督學習 04:15 pm – 04:35 pm: GNN in Social Networks 社交網絡GNN 04:35 pm – 04:55 pm: GNN in Medical Imaging & Future Directions GNNs圖像處理與未來方向 04:55 pm – 05:00 pm: Q&A
付費5元查看完整內容
圖神經網絡
·
從社交網絡到分子，許多真實數據都是以非網格對象的形式出現的，比如圖。最近，從網格數據(例如圖像)到圖深度學習受到了機器學習和數據挖掘領域前所未有的關注，這導致了一個新的跨領域研究——深度圖學習(DGL)。DGL的目標不是繁瑣的特征工程，而是以端到端方式學習圖的信息性表示。它在節點/圖分類、鏈接預測等任務中都取得了顯著的成功。
在本教程中，我們的目的是提供一個深入的圖學習的全面介紹。首先介紹了深度圖學習的理論基礎，重點描述了各種圖神經網絡模型(GNNs)。然后介紹DGL近年來的主要成就。具體來說，我們討論了四個主題:1)深度GNN的訓練; 2) GNNs的魯棒性; 3) GNN的可擴展性; 4) GNN的自監督和無監督學習。最后，我們將介紹DGL在各個領域的應用，包括但不限于藥物發現、計算機視覺、醫學圖像分析、社會網絡分析、自然語言處理和推薦。
//ai.tencent.com/ailab/ml/KDD-Deep-Graph-Learning.html
目錄：
- 08:10 am – 09:00 am: Introduction to Graphs and Graph Neural Networks 圖神經網絡介紹
- 09:00 am – 09:40 am: Robustness of Graph Neural Networks 圖神經網絡魯棒性
- 09:40 am – 10:00 am: Break
- 10:00 am – 10:40 am: Self-Supervised Learning for Graph Neural Network I 圖神經網絡自監督學習
- 10:40 am – 11:20 am: Scalable Learning for Graph Neural Networks & Healthcare 圖神經網絡可擴展學習
- 11:20 am – 00:15 pm: Graph Structure Learning & NLP 圖結構學習
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191