基於深度學習的自然語言處理 Deep Learning for Natural Language Processing

將深度學習方法應用於各種自然語言處理任務可以將你的計算算法在速度和準確性方面提升到一個全新的水平。
本書首先介紹自然語言處理領域的基本構件，接著介紹使用的神經網絡模型可以解決的問題。
深入研究各種神經網絡架構及其特定的應用領域將有助於你理解如何選擇佳模型來滿足你的需求。
隨著學習的深入，你將學到卷積神經網絡、循環神經網絡、遞歸神經網絡以及長短期記憶網絡。
在後面的章節中，你將能夠使用自然語言處理技術（如注意力機制模型和集束搜索）開發應用程序。

學完本書，你不僅能具備自然語言處理的基礎知識，
還能選擇的文本預處理和神經網絡模型來解決一些自然語言處理的問題。

     了解深度學習問題的各種預處理技術。
     用word2vec和GloVe構建文本的矢量表示。
     使用Apache OpenNLP創建命名實體識別器和詞性標註器。
     在Keras中構建機器翻譯模型。
     用LSTM開發文本生成應用程序。
     使用注意力模型構建觸發詞檢測應用程序。
    

Karthiek Reddy Bokka

語音和音頻機器學習工程師，畢業於南加州大學，目前在波特蘭的Bi-amp Systems公司工作。
他的興趣包括深度學習、數字信號和音頻處理、自然語言處理以及計算機視覺。
他擁有設計、構建和部署人工智能應用程序的經驗，
這些應用程序可以用各種形式的實際數據（包括圖像、語音、音樂、非結構化原始數據等）來解決現實世界中的問題。

Shubhangi Hora

Python開發者、人工智能愛好者和作家。
她有計算機科學和心理學背景，對與心理健康相關的人工智能特別感興趣。
她住在印度浦那，熱衷於通過機器學習和深度學習來推進自然語言處理。
除此之外，她還喜歡表演藝術，是一名訓練有素的音樂家。

Tanuj Jain

在德國公司工作的數據科學家。
他一直在開發深度學習模型，並將其投入生產以商用。
他對自然語言處理特別感興趣，並將自己的專業知識應用於分類和情感評級任務。
他擁有電氣工程碩士學位，主要研究統計模式識別。

Monicah Wambugu

金融技術公司的首席數據科學家，該公司通過利用數據、
機器學習和分析來提供小額貸款，以執行替代信用評分。
她是加州大學伯克利分校信息管理與系統碩士研究生。
Monicah對如何利用數據科學和機器學習來設計產品和應用程序，
以滿足目標受眾的行為和社會經濟需求特別感興趣。

譯者序
前言
第1章自然語言處理
1.1本章概覽
1.2自然語言處理的基礎知識
1.3自然語言處理的能力
1.4自然語言處理中的應用
1.4.1文本預處理
1.4.2文本預處理技術
1.5詞嵌入
1.6本章小結

第2章自然語言處理的應用
2.1本章概覽
2.2詞性標註
2.2.1詞性
2.2.2詞性標註器
2.3詞性標註的應用
2.4分塊
2.5加縫
2.6命名實體識別
2.6.1命名實體
2.6.2命名實體識別器
2.6.3命名實體識別的應用
2.6.4命名實體識別器類型
2.7本章小結

第3章神經網絡
3.1本章概覽
3.1.1深度學習簡介
3.1.2機器學習與深度學習的比較
3.2神經網絡
3.3訓練神經網絡
3.3.1計算權重
3.3.2損失函數
3.3.3梯度下降算法
3.3.4反向傳播
3.4神經網絡的設計及其應用
3.4.1有監督神經網絡
3.4.2無監督神經網絡
3.5部署模型即服務的基礎
3.6本章小結

第4章卷積神經網絡
4.1本章概覽
4.2理解CNN的架構
4.2.1特徵提取
4.2.2隨機失活
4.2.3卷積神經網絡的分類
4.3訓練CNN
4.4 CNN的應用領域
4.5本章小結

第5章循環神經網絡