TensorFlow自然語言處理｜善用 Python 深度學習函式庫，教機器學會自然語言

本書提供穩固而札實的實務基礎，讓你有能力解決各種NLP任務。本書涵蓋NLP的各個面向，除了理論基礎之外，更強調實務方面的實作。在解決各種NLP任務時，如果能在實務方面擁有良好的基礎，一定有助於你順利過渡到更高級的理論架構。此外，若能在實務方面有更扎實的理解，也就可以讓你更充分利用特定領域的知識，進而對演算法做出更好的調整。

收集中

US$13.38

本書提供穩固而札實的實務基礎，讓你有能力解決各種NLP任務。本書涵蓋NLP的各個面向，除了理論基礎之外，更強調實務方面的實作。在解決各種NLP任務時，如果能在實務方面擁有良好的基礎，一定有助於你順利過渡到更高級的理論架構。此外，若能在實務方面有更扎實的理解，也就可以讓你更充分利用特定領域的知識，進而對演算法做出更好的調整。

 透過本書，您將可以：
 ．了解NLP的概念與各種自然語言處理方法
 ．如何應用TensorFlow來進行NLP
 ．將大量數據處理成可供深度學習應用程序使用的單詞表示的策略
 ．如何使用CNN和RNN進行句子分類和語言生成
 ．如何使用RNN來解決複雜的文本生成任務
 ．如何應用類神經技術開發自動翻譯系統
 ．自然語言處理的未來趨勢與發展

章節目錄

1-1封面

1-2書名

1-3對本書有貢獻的人

1-4目錄

1-5前言

1-6Ch01：自然語言處理簡介

1-7「自然語言處理」究竟是什麼？

1-8自然語言處理的任務

1-9自然語言處理的傳統做法

1-10瞭解傳統的做法

1-11範例｜針對足球比賽的結果生成文字摘要

1-12傳統做法的缺點

1-13自然語言處理的深度學習做法

1-14深度學習的歷史

1-15深度學習和NLP 當前的狀態

1-16先認識一個簡單的深度模型：全連結神經網路

1-17讀完本章之後，各主題概念的路線圖

1-18技術工具簡介

1-19工具說明

1-20安裝Python 和scikit-learn

1-21安裝Jupyter Notebook

1-22安裝TensorFlow

1-23總結

1-24Ch02：TensorFlow 介紹

1-25TensorFlow 究竟是什麼？

1-26TensorFlow 入門

1-27TensorFlow 客戶端程式詳細介紹

1-28TensorFlow 架構｜執行客戶端程式時，究竟會發生什麼事？

1-29Cafe Le TensorFlow｜用類比的方式來理解TensorFlow

1-30輸入、變數、輸出和操作

1-31定義TensorFlow 輸入

1-32用Python 程式碼提供輸入資料

1-33預先載入輸入資料並儲存為張量

1-34打造一個輸入管道

1-35定義TensorFlow 變數

1-36定義TensorFlow 輸出

1-37定義TensorFlow 操作

1-38比較操作

1-39數學運算操作

1-40scatter 和gather 操作

1-41神經網路相關操作

1-42善用scope 重複使用變數

1-43實作出我們的第一個神經網路

1-44準備資料

1-45定義TensorFlow graph 圖

1-46執行神經網路

1-47總結

1-48Ch03：Word2vec｜學習單詞內嵌

1-49單詞的表達方式或含義，指的究竟是什麼？

1-50學習單詞表達方式的傳統做法

1-51WordNet：使用外部詞彙知識庫，學習單詞的表達方式

1-52WordNet 之旅

1-53WordNet 的問題

1-54one-hot 編碼表達方式

1-55TF-IDF 方法

1-56共現矩陣

1-57Word2vec：運用神經網路學習單詞表達方式

1-58練習範例：皇后 = 國王 - 他 + 她？

1-59設計損失函數、學習單詞內嵌

1-60skip-gram 演算法

1-61把原始文字轉換成結構化資料

1-62用神經網路學習單詞內嵌

1-63制定出實際的損失函數

1-64有效近似損失函數

1-65用TensorFlow 實作出skip-gram 模型

1-66CBOW 連續單詞袋演算法

1-67用TensorFlow 實作出CBOW 模型

1-68總結

1-69Ch04：Word2vec 進階

1-70原始版skip-gram 演算法

1-71實作出原始版skip-gram 演算法

1-72原始版skip-gram 與改進版skip-gram 的比較

1-73skip-gram 與CBOW 的比較

1-74效能表現的比較

1-75skip-gram 和CBOW 哪個比較好？

1-76單詞內嵌演算法的擴展做法

1-77使用unigram 分佈進行負取樣

1-78實作出unigram 分佈負取樣

1-79子取樣｜按機率忽略掉常見單詞

1-80子取樣的實作

1-81CBOW 與其擴展做法的比較

1-82更先進的skip-gram / CBOW 擴展演算法

1-83skip-gram 演算法的局限性

1-84結構化skip-gram 演算法

1-85損失函數

1-86連續視窗模型

1-87GloVe｜整體向量表達方式

1-88瞭解GloVe

1-89GloVe 的實作

1-90使用Word2vec 進行文件分類

1-91資料集

1-92使用單詞內嵌對文件進行分類

1-93實作｜學習單詞內嵌

1-94實作｜根據單詞內嵌得出文件內嵌

1-95文件內嵌化之後的文件集群情況，以及t-SNE 視覺化呈現結果

1-96檢查幾個異常的情況

1-97實作｜使用K-means 對文件進行分群／歸類

1-98總結

1-99Ch05：CNN 卷積神經網路｜句子分類

1-100CNN 卷積神經網路簡介

1-101CNN 基礎

1-102CNN 卷積神經網路的力量

1-103理解CNN 卷積神經網路

1-104卷積操作

1-105標準卷積操作

1-106採用不同步幅的卷積操作

1-107採用填充做法的卷積操作

1-108轉置卷積

1-109池化操作

1-110最大池化

1-111採用不同步幅的最大池化操作

1-112平均池化

1-113全連結層

1-114把所有東西整合起來

1-115練習：用CNN 對MNIST 圖片進行分類

1-116關於資料

1-117實作CNN

1-118分析CNN 所生成的預測結果

1-119使用CNN 進行句子分類

1-120CNN 結構

1-121資料轉換

1-122卷積操作

1-123時間池化操作

1-124實作｜用CNN 進行句子分類

1-125總結

1-126Ch06：RNN 遞迴神經網路

1-127瞭解RNN 遞迴神經網路

1-128正向饋送神經網路的問題

1-129用RNN 遞迴神經網路來建構模型

1-130RNN 的技術相關說明

1-131時間反向傳播

1-132反向傳播的運作原理

1-133為什麼RNN 不能直接採用反向傳播的做法？

1-134時間反向傳播｜訓練RNN

1-135截短式BPTT｜更有效訓練RNN

1-136BPTT 的局限性｜梯度消失與梯度爆炸

1-137RNN 的應用

1-138一對一的RNN

1-139一對多RNN

1-140多對一RNN

1-141多對多RNN

1-142用RNN 生成文字

1-143定義超參數

1-144截短式BPTT 沿時間展開輸入

1-145定義驗證組資料

1-146定義權重和偏差

1-147定義狀態持久性變數

1-148使用展開的輸入計算隱藏狀態和輸出

1-149計算損失

1-150在新的文字片段開頭處重設狀態

1-151計算驗證輸出

1-152梯度的計算與最佳化

1-153輸出全新生成的一段文字

1-154評估RNN 所輸出的文字結果

1-155困惑度：衡量文字結果的品質

1-156RNN-CF：具有更長記憶的RNN

1-157RNN-CF 的技術相關說明

1-158實作RNN-CF

1-159定義RNN-CF 超參數

1-160定義輸入和輸出佔位符

1-161定義RNN-CF 的權重

1-162用來保留住隱藏狀態和前後文狀態的變數和操作

1-163計算輸出

1-164計算損失

1-165計算驗證輸出

1-166計算測試輸出

1-167計算梯度和最佳化

1-168用RNN-CF 所生成的文字

1-169總結

1-170Ch07：LSTM 長短期記憶網路

1-171瞭解LSTM 長短期記憶網路

1-172LSTM 究竟是什麼？

1-173關於LSTM 更詳細的說明

1-174LSTM 與標準RNN 的區別

1-175LSTM 如何解決梯度消失的問題

1-176改進LSTM

1-177貪婪取樣

1-178束搜索

1-179使用單詞向量

1-180雙向LSTM（BiLSTM）

1-181LSTM 的其他變形做法

1-182窺孔連結

1-183閘控遞迴單元

1-184總結

1-185Ch08：LSTM 的應用：生成文字

1-186我們的資料

1-187關於資料集

1-188資料的預處理

1-189實作LSTM

1-190定義超參數

1-191定義參數

1-192定義LSTM 單元及其操作

1-193定義輸入和標籤

1-194定義處理序列資料所需的序列相關計算

1-195定義最佳化工具

1-196隨時間遞減學習速率

1-197做出預測

1-198計算困惑度（損失）

1-199重設狀態

1-200貪婪取樣以打破單峰性

1-201生成新文字

1-202所生成的文字範例

1-203LSTM、窺孔連結LSTM 與GRU 的比較

1-204標準LSTM

1-205重點回顧

1-206所生成的文字範例

1-207閘控遞迴單元（GRU）

1-208重點回顧

1-209程式碼

1-210所生成的文字範例

1-211帶窺孔的LSTM

1-212重點回顧

1-213程式碼

1-214所生成的文字範例

1-215訓練與驗證困惑度隨時間的變化

1-216改進LSTM：束搜索

1-217束搜索的實作

1-218束搜索所生成的文字範例

1-219改進LSTM｜改用單詞取代n-gram 來生成文字

1-220維度的詛咒

1-221Word2vec 來救援

1-222使用Word2vec 生成文字

1-223LSTM-Word2vec 搭配束搜索所生成的文字範例

1-224困惑度隨時間的變化

1-225使用TensorFlow RNN API

1-226總結

1-227Ch09：LSTM 的應用：生成圖片說明

1-228認識資料

1-229ILSVRC ImageNet 資料集

1-230MS-COCO 資料集

1-231生成圖片說明的機器學習流程

1-232用CNN 提取圖片特徵

1-233實作｜載入權重並使用VGG-16 進行推論

1-234變數的構建與更新

1-235輸入的預處理

1-236用VGG-16 進行推論

1-237提取圖片的向量化表達方式

1-238用VGG-16 來預測類別機率

1-239學習單詞內嵌

1-240準備要送入LSTM 的圖片說明

1-241生成要送進LSTM 的資料

1-242定義LSTM

1-243以定量的方式評估結果

1-244BLEU

1-245ROUGE

1-246METEOR

1-247CIDEr

1-248模型的BLEU-4 分數隨時間的變化

1-249測試圖片所生成的圖片說明

1-250使用TensorFlow RNN API 搭配預訓練過的GloVe 單詞向量

1-251載入GloVe 單詞向量

1-252清理資料

1-253透過TensorFlow RNN API 使用預訓練內嵌

1-254定義預訓練內嵌層與轉接層

1-255定義LSTM 單元與softmax 層

1-256定義輸入和輸出

1-257以不同方式處理圖片和文字

1-258定義LSTM 輸出的計算方式

1-259定義logit 值和預測結果

1-260定義序列損失

1-261定義最佳化工具

1-262總結

1-263Ch10：Seq2Seq 序列轉序列｜ NMT 神經機器翻譯

1-264機器翻譯

1-265簡短扼要的機器翻譯歷史之旅

1-266以規則為基礎的翻譯方式

1-267統計機器翻譯（SMT）

1-268神經機器翻譯（NMT）

1-269瞭解神經機器翻譯

1-270NMT 背後的直覺概念

1-271NMT 架構

1-272內嵌層

1-273編碼器

1-274前後文向量

1-275解碼器

1-276為NMT 系統準備資料

1-277訓練階段

1-278顛倒來源句子

1-279測試階段

1-280訓練NMT

1-281用NMT 進行推測

1-282BLEU 分數｜機器翻譯系統的評估

1-283修改版精確率

1-284短句懲罰

1-285最終的BLEU 分數

1-286從無到有實作出NMT｜從德語翻譯成英語

1-287資料簡介

1-288資料的預處理

1-289學習單詞內嵌

1-290定義編碼器和解碼器

1-291定義端到端輸出的計算方式

1-292一些翻譯的結果

1-293NMT 結合單詞內嵌的訓練方式

1-294盡可能從預訓練內嵌中取出所有用到的單詞

1-295定義內嵌層相關TensorFlow 變數

1-296改善NMT

1-297教師強制

1-298深度LSTM

1-299注意力機制

1-300突破前後文向量的瓶頸

1-301注意力機制詳細說明

1-302注意力機制的實作

1-303定義權重

1-304注意力的計算

1-305NMT 搭配注意力機制的一些翻譯結果

1-306用視覺化方式把來源與目標句子的注意力呈現出來

1-307Seq2Seq 模型的其他應用：聊天機器人

1-308訓練聊天機器人

1-309聊天機器人的評估：圖靈測試

1-310總結

1-311Ch11：NLP 自然語言處理的趨勢與未來

1-312NLP 的當前趨勢

1-313單詞內嵌

1-314區域內嵌

1-315機率型單詞內嵌

1-316集成內嵌

1-317主題內嵌

1-318神經機器翻譯（NMT）

1-319注意力機制的改進

1-320混合型MT 模型

1-321其他研究領域的應用

1-322NLP 與電腦視覺

1-323視覺問題答覆（VQA）

1-324運用注意力機制，為圖片生成圖片說明

1-325NLP 與強化學習

1-326教導代理者使用自己的語言進行溝通

1-327具有強化學習能力的對話代理者

1-328NLP 與生成對抗網路

1-329邁向通用人工智慧

1-330用一個模型學習所有的模型

1-331聯合多任務模型：針對多個NLP 任務發展出神經網路

1-332第一層級：單詞層級任務

1-333第二層級：句法層級任務

1-334第三層級：語義層級任務

1-335NLP 在社群媒體方面的應用

1-336偵測出社群媒體的謠言

1-337偵測出社群媒體中的情緒

1-338分析推文中的政治框架

1-339不斷湧現的新任務

1-340偵測出諷刺性說法

1-341語言背景基礎知識

1-342使用LSTM 略讀文字

1-343比較新的一些機器學習模型

1-344階段型LSTM

1-345擴張型遞迴神經網路（DRNN）

1-346總結

1-347參考資料

1-348Appendix A：數學基礎和TensorFlow 進階概念

1-349基本資料結構

1-350純量

1-351向量

1-352矩陣

1-353矩陣的索引方式

1-354特殊型態的矩陣

1-355單位矩陣

1-356對角矩陣

1-357張量

1-358張量／矩陣運算

1-359轉置

1-360矩陣乘法

1-361元素級乘法

1-362逆矩陣

1-363找出逆矩陣：奇異值分解（SVD）

1-364範數

1-365行列式

1-366機率

1-367隨機變數

1-368離散隨機變數

1-369連續隨機變數

1-370機率質量函數／機率密度函數

1-371條件機率

1-372聯合機率

1-373邊際機率

1-374貝氏定理

1-375Keras 簡介

1-376TensorFlow seq2seq 函式庫簡介

1-377定義編碼器和解碼器內嵌

1-378定義編碼器

1-379定義解碼器

1-380使用TensorBoard 以視覺化方式呈現單詞內嵌

1-381啟動TensorBoard

1-382保存單詞內嵌並以TensorBoard 進行視覺化呈現

1-383總結

1-384版權頁

1-385封底頁

用戶評價

| 收集中

語言

幣別

語言

幣別

TensorFlow自然語言處理｜善用 Python 深度學習函式庫，教機器學會自然語言

章節目錄

常見問答

猜你喜歡

AI 提問 X 學習X 應用：ChatGPT、NotebookLM、Gemini、GitHub Copilot從零到完全實戰

Arduino+ESP32智慧聯網最佳入門與應用｜打造AIoT輕鬆學

Microsoft Azure AI Services與Azure OpenAI從入門到人工智慧程式開發-使用Python(含MCF AI-900國際認證)

精通Python網路開發

AI時代的Python高效學習書－ChatGPT程式助理新思維

用戶評價

章節目錄

1目錄共 385 單元

常見問答

Q電子書購買後，怎麼觀看呢？

Q電子書有觀看時間的限制嗎？

QePub 和 PDF 的差別？

Q購買電子書有發票嗎？可以開統編發票嗎？

Q為什麼我已經購買電子書，卻找不到它？

猜你喜歡

AI 提問 X 學習X 應用：ChatGPT、NotebookLM、Gemini、GitHub Copilot從零到完全實戰

Arduino+ESP32智慧聯網最佳入門與應用｜打造AIoT輕鬆學

Microsoft Azure AI Services與Azure OpenAI從入門到人工智慧程式開發-使用Python(含MCF AI-900國際認證)

精通Python網路開發

AI時代的Python高效學習書－ChatGPT程式助理新思維

用戶評價

銷售方案