人工智能 类型
6.6 豆瓣评分
可以朗读 语音朗读
124千字 字数
2019-01-01 发行日期
展开全部

主编推荐语

智能问答、自然语言处理、深度学习、词向量、问答系统与机器阅读理解。

内容简介

本书包含7章，从智能问答的意义和现状过度到自然语言处理与深度学习技术。第二章是机器学习基础，包括线性代数、概率论、信息论、统计学习、隐马尔可夫模型和条件随机场模型。第三章介绍自然语言处理，帮助大家入门自然语言处理。第四章讲解深度学习，包含基础内容前向传播网络、反向传播、梯度下降原理，以及目前广泛使用的卷积神经网络和循环神经网络。第五章介绍词向量技术实现及应用。第六章介绍采用深度学习实现问答系统。第七章介绍目前很热门的问答的一个大分支——机器阅读理解。

目录

  • 封面
  • 书名页
  • 内容简介
  • 版权页
  • 推荐序1
  • 推荐序2
  • 好评袭来
  • 前言
  • 目录
  • 1　概述
  • 1.1　智能问答：让机器更好地服务于人
  • 1.2　问答系统类型介绍
  • 1.2.1　基于事实的问答系统
  • 1.2.2　基于常见问题集的问答系统
  • 1.2.3　开放域的问答系统
  • 1.3　使用本书附带的源码程序
  • 1.3.1　安装依赖软件
  • 1.3.2　下载源码
  • 1.3.3　执行示例程序
  • 1.3.4　联系我们
  • 1.4　全书结构
  • 2　机器学习基础
  • 2.1　线性代数
  • 2.1.1　标量、向量、矩阵和张量
  • 2.1.2　矩阵运算
  • 2.1.3　特殊类型的矩阵
  • 2.1.4　线性相关
  • 2.1.5　范数
  • 2.2　概率论基础
  • 2.2.1　随机变量
  • 2.2.2　期望和方差
  • 2.2.3　伯努利分布
  • 2.2.4　二项分布
  • 2.2.5　泊松分布
  • 2.2.6　正态分布
  • 2.2.7　条件概率、联合概率和全概率
  • 2.2.8　先验概率与后验概率
  • 2.2.9　边缘概率
  • 2.2.10　贝叶斯公式
  • 2.2.11　最大似然估计算法
  • 2.2.12　线性回归模型
  • 2.2.13　逻辑斯蒂回归模型
  • 2.3　信息论基础
  • 2.3.1　熵
  • 2.3.2　联合熵和条件熵
  • 2.3.3　相对熵与互信息
  • 2.3.4　信道和信道容量
  • 2.3.5　最大熵模型
  • 2.3.6　信息论与机器学习
  • 2.4　统计学习
  • 2.4.1　输入空间、特征空间与输出空间
  • 2.4.2　向量表示
  • 2.4.3　数据集
  • 2.4.4　从概率到函数
  • 2.4.5　统计学习三要素
  • 2.5　隐马尔可夫模型
  • 2.5.1　随机过程和马尔可夫链
  • 2.5.2　隐马尔可夫模型的定义
  • 2.5.3　三个基本假设及适用场景
  • 2.5.4　概率计算问题之直接计算
  • 2.5.5　概率计算问题之前向算法
  • 2.5.6　概率计算问题之后向算法
  • 2.5.7　预测问题之维特比算法
  • 2.5.8　学习问题之Baum-Welch算法
  • 2.6　条件随机场模型
  • 2.6.1　超越HMM
  • 2.6.2　项目实践
  • 2.7　总结
  • 3　自然语言处理基础
  • 3.1　中文自动分词
  • 3.1.1　有向无环图
  • 3.1.2　最大匹配算法
  • 3.1.3　算法评测
  • 3.1.4　由字构词的方法
  • 3.2　词性标注
  • 3.2.1　词性标注规范
  • 3.2.2　隐马尔可夫模型词性标注
  • 3.3　命名实体识别
  • 3.4　上下文无关文法
  • 3.4.1　原理介绍
  • 3.4.2　算法浅析
  • 3.5　依存关系分析
  • 3.5.1　算法浅析
  • 3.5.2　项目实践
  • 3.5.3　小结
  • 3.6　信息检索系统
  • 3.6.1　什么是信息检索系统
  • 3.6.2　衡量信息检索系统的关键指标
  • 3.6.3　理解非结构化数据
  • 3.6.4　倒排索引
  • 3.6.5　处理查询
  • 3.6.6　项目实践
  • 3.6.7　Elasticsearch
  • 3.6.8　小结
  • 3.7　问答语料
  • 3.7.1　WikiQA
  • 3.7.2　中文版保险行业语料库InsuranceQA
  • 3.8　总结
  • 4　深度学习初步
  • 4.1　深度学习简史
  • 4.1.1　感知机
  • 4.1.2　寒冬和复苏
  • 4.1.3　走出实验室
  • 4.1.4　寒冬再临
  • 4.1.5　走向大规模实际应用
  • 4.2　基本架构
  • 4.2.1　神经元
  • 4.2.2　输入层、隐藏层和输出层
  • 4.2.3　标准符号
  • 4.3　神经网络是如何学习的
  • 4.3.1　梯度下降
  • 4.3.2　反向传播理论
  • 4.3.3　神经网络全连接层的实现
  • 4.3.4　使用简单神经网络实现问答任务
  • 4.4　调整神经网络超参数
  • 4.4.1　超参数
  • 4.4.2　参考建议
  • 4.5　卷积神经网络与池化
  • 4.5.1　简介
  • 4.5.2　卷积层的前向传播
  • 4.5.3　池化层的前向传播
  • 4.5.4　卷积层的实现
  • 4.5.5　池化层的实现
  • 4.5.6　使用卷积神经网络实现问答任务
  • 4.6　循环神经网络及其变种
  • 4.6.1　简介
  • 4.6.2　循环神经网络
  • 4.6.3　长短期记忆单元和门控循环单元
  • 4.6.4　循环神经网络的实现
  • 4.6.5　使用循环神经网络实现问答任务
  • 4.7　简易神经网络工具包
  • 5　词向量实现及应用
  • 5.1　语言模型
  • 5.1.1　评测
  • 5.1.2　ARPA格式介绍
  • 5.1.3　项目实践
  • 5.2　One-hot表示法
  • 5.3　词袋模型
  • 5.4　NNLM和RNNLM
  • 5.5　word2vec
  • 5.5.1　C-BOW的原理
  • 5.5.2　Skip-gram的原理
  • 5.5.3　计算效率优化
  • 5.5.4　项目实践
  • 5.6　GloVe
  • 5.6.1　GloVe的原理
  • 5.6.2　GloVe与word2vec的区别和联系
  • 5.6.3　项目实践
  • 5.7　fastText
  • 5.7.1　fastText的原理
  • 5.7.2　fastText与word2vec的区别和联系
  • 5.7.3　项目实践
  • 5.8　中文近义词工具包
  • 5.8.1　安装
  • 5.8.2　接口
  • 5.9　总结
  • 6　社区问答中的QA匹配
  • 6.1　社区问答任务简介
  • 6.2　孪生网络模型
  • 6.3　QACNN模型
  • 6.3.1　模型构建
  • 6.3.2　实验结果
  • 6.4　Decomposable Attention模型
  • 6.4.1　模型介绍
  • 6.4.2　模型构建
  • 6.5　多比较方式的比较–集成模型
  • 6.5.1　模型介绍
  • 6.5.2　模型构建
  • 6.6　BiMPM模型
  • 6.6.1　模型介绍
  • 6.6.2　模型构建
  • 7　机器阅读理解
  • 7.1　完型填空型机器阅读理解任务
  • 7.1.1　CNN/Daily Mail数据集
  • 7.1.2　Children’s Book Test（CBT）数据集
  • 7.1.3　GA Reader模型
  • 7.1.4　SA Reader模型
  • 7.1.5　AoA Reader模型
  • 7.2　答案抽取型机器阅读理解任务
  • 7.2.1　SQuAD数据集
  • 7.2.2　MS MARCO数据集
  • 7.2.3　TriviaQA数据集
  • 7.2.4　DuReader数据集
  • 7.2.5　BiDAF模型
  • 7.2.6　R-Net模型
  • 7.2.7　S-Net模型
  • 7.3　答案选择型机器阅读理解任务
  • 7.4　展望
  • 参考文献
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。