Głębokie uczenie się dla przetwarzania języka naturalnego

Opinie czytelników

Książka zawiera podstawowy przegląd metod głębokiego uczenia się w przetwarzaniu języka naturalnego (NLP), obejmujący takie tematy, jak reprezentacja tekstu, podejścia do modelowania i mechanizmy uwagi. Ma jednak istotne wady, w tym płytkie omówienie tematów, brak użytecznych przykładów z powodu brakujących zestawów danych i słabe praktyki kodowania w Pythonie.

Dobry przegląd zastosowań głębokiego uczenia w NLP, dobrze wyjaśnione koncepcje TensorFlow, unikalne pokrycie uczenia wielozadaniowego.

Nieaktualne informacje, brak towarzyszącego repozytorium GitHub, płytkie omówienie tematów w porównaniu z innymi zasobami, literówki w kodzie i słabo wyjaśnione praktyki kodowania oraz brak zgodności ze standardowymi konwencjami kodowania w Pythonie.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Deep Learning for Natural Language Processing

Zawartość książki:

Poznaj najtrudniejsze kwestie związane z przetwarzaniem języka naturalnego i dowiedz się, jak je rozwiązać za pomocą najnowocześniejszego uczenia głębokiego!

Wewnątrz Deep Learning for Natural Language Processing znajdziesz bogactwo spostrzeżeń NLP, w tym:

Przegląd NLP i głębokiego uczenia.

Reprezentacje tekstu typu one-hot.

Osadzanie słów.

Modele podobieństwa tekstowego.

Sekwencyjne NLP.

Semantyczne etykietowanie ról.

NLP oparte na pamięci głębokiej.

Struktura językowa.

Hiperparametry dla głębokiego NLP.

Głębokie uczenie się rozwinęło przetwarzanie języka naturalnego do ekscytujących nowych poziomów i potężnych nowych zastosowań! Po raz pierwszy systemy komputerowe mogą osiągnąć "ludzki" poziom podsumowywania, tworzenia połączeń i innych zadań wymagających zrozumienia i kontekstu. Deep Learning for Natural Language Processing ujawnia przełomowe techniki, które sprawiają, że te innowacje są możliwe. Stephan Raaijmakers destyluje swoją rozległą wiedzę w użyteczne najlepsze praktyki, rzeczywiste zastosowania i wewnętrzne działanie najlepszych algorytmów NLP.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii.

Głębokie uczenie zmieniło dziedzinę przetwarzania języka naturalnego. Sieci neuronowe rozpoznają nie tylko słowa i frazy, ale także wzorce. Modele wywnioskowują znaczenie z kontekstu i określają ton emocjonalny. Potężne modele NLP oparte na głębokim uczeniu otwierają kopalnię potencjalnych zastosowań.

O książce.

Deep Learning for Natural Language Processing uczy, jak tworzyć zaawansowane aplikacje NLP przy użyciu języka Python i biblioteki głębokiego uczenia Keras. Nauczysz się korzystać z najnowocześniejszych narzędzi i technik, w tym BERT i XLNET, uczenia wielozadaniowego i NLP opartego na głębokiej pamięci. Fascynujące przykłady zapewniają praktyczne doświadczenie z różnymi rzeczywistymi aplikacjami NLP. Ponadto szczegółowe omówienia kodu pokazują dokładnie, jak dostosować każdy przykład do własnych zastosowań!

Co jest w środku.

Lepsze odpowiadanie na pytania dzięki sekwencyjnemu NLP.

Zwiększ wydajność dzięki lingwistycznemu uczeniu wielozadaniowemu.

Dokładna interpretacja struktury językowej.

Opanuj techniki osadzania wielu słów.

O czytelniku.

Dla czytelników ze średniozaawansowaną znajomością języka Python i ogólną wiedzą na temat NLP. Doświadczenie w głębokim uczeniu się nie jest wymagane.

O autorze.

Stephan Raaijmakers jest profesorem komunikacyjnej sztucznej inteligencji na Uniwersytecie w Lejdzie i starszym naukowcem w Holenderskiej Organizacji Stosowanych Badań Naukowych (TNO).

Spis treści.

CZĘŚĆ 1 WPROWADZENIE.

1 Uczenie głębokie dla NLP.

2 Uczenie głębokie i język: Podstawy.

3 Osadzanie tekstu.

CZĘŚĆ 2 GŁĘBOKIE NLP.

4 Podobieństwo tekstowe.

5 Sekwencyjne NLP.

6 Pamięć epizodyczna dla NLP.

CZĘŚĆ 3 TEMATY ZAAWANSOWANE.

7 Uwaga.

8 Uczenie wielozadaniowe.

9 Transformatory.

10 Zastosowania transformatorów: praktyczne wykorzystanie BERT.