这本面向自然语言处理的深度学习：用Python创建神经网络 [Deep Learning for Natural Language Processing: Cre]图书，是2019-03-01月由机械工业出版社所出版的，著作者信息： [印] 帕拉什·戈雅尔（Palash Goyal），苏米特·潘迪（Sumit，Pand 著，陶阳 张冬松 徐潇 译 译，本版是第1次印刷， ISBN：9787111617198，品牌：机工出版, 这本书的包装是16开平装，所用纸张为胶版纸，全书页数212，字数有万字， 是本值得推荐的Python软件开发图书。
此书内容摘要
本书以循序渐进的方式从理论过渡到实践，首先介绍基础知识，然后是基础数学，最后是相关示例的实现。
前三章介绍NLP的基础知识，从 常用的Python库开始，然后是词向量表示，再到高级算法，例如用于文本数据的神经网络。
最后两章完全侧重于实现，运用广泛流行的Python工具TensorFlow和Keras，处理诸如RNN、长短期记忆（LSTM）网络、seq2seq等复杂架构。我们尽最大努力遵循循序渐进的方法，最后集合全部知识构建一个问答系统。
关于此书作者
Palash Goyal 是一名高级数据科学家，目前从事将数据科学和深度学习用于在线营销领域的工作。他曾在印度理工学院（IIT）的Guwahati分校学习数学和计算机科学，毕业后他开始在快节奏环境中工作。他在电子商务、旅游、保险和银行等行业拥有丰富的经验，热衷于数学和金融。他利用深度学习和强化学习技术进行价格预测与投资组合管理，在业余时间管理他的多种加密货币和首次代币发行（ICO）。他追踪数据科学领域的趋势，并在博客http://madoverdata.com上分享这些趋势。他还会在空闲时发表与智慧农业相关的文章。
Sumit Pandey 毕业于印度理工学院（IIT）的Kharagpur分校，曾在AXA Business Services工作了大约一年，担任数据科学顾问。他目前正在创办自己的企业。
Karan Jain 是Sigtuple公司的一名产品分析师，他在那里研究尖端的AI驱动诊断产品。此前，他曾在医疗保健解决方案公司Vitrana担任数据科学家。他喜欢在快节奏的数据初创公司工作。在闲暇时间，Karan深入涉猎基因组学、BCI接口和光遗传学。最近，他对用于便携式诊断的POC设备和纳米技术产生了兴趣。Karan在LinkedIn上有3000多名粉丝。
编辑们的推荐
暂无.面向自然语言处理的深度学习：用Python创建神经网络 [Deep Learning for Natural Language Processing: Cre]图书的目录
译者序
前言
致谢
关于作者
关于技术审校人员
第1章自然语言处理和深度学习概述 1
1.1Python包 2
1.1.1NumPy 2
1.1.2Pandas 6
1.1.3SciPy 9
1.2自然语言处理简介 11
1.2.1什么是自然语言处理 11
1.2.2如何理解人类的语言 11
1.2.3自然语言处理的难度是什么 11
1.2.4我们想通过自然语言处理获得什么 13
1.2.5语言处理中的常用术语 13
1.3自然语言处理库 14
1.3.1NLTK 14
1.3.2TextBlob 15
1.3.3SpaCy 17
1.3.4Gensim 19
1.3.5Pattern 20
1.3.6Stanford CoreNLP 21
1.4NLP入门 21
1.4.1使用正则表达式进行文本搜索 21
1.4.2将文本转换为列表 21
1.4.3文本预处理 22
1.4.4从网页中获取文本 22
1.4.5移除停止词 23
1.4.6计数向量化 23
1.4.7TF-IDF分数 24
1.4.8文本分类器 25
1.5深度学习简介 25
1.6什么是神经网络 27
1.7神经网络的基本结构 29
1.8神经网络的类型 32
1.8.1前馈神经网络 33
1.8.2卷积神经网络 33
1.8.3循环神经网络 33
1.8.4编码器-解码器网络 34
1.8.5递归神经网络 35
1.9多层感知器 35
1.10随机梯度下降 37
1.11反向传播 40
1.12深度学习库 42
1.12.1Theano 42
1.12.2Theano安装 43
1.12.3Theano示例 44
1.12.4TensorFlow 45
1.12.5数据流图 46
1.12.6TensorFlow安装 47
1.12.7TensorFlow示例 47
1.12.8Keras 49
1.13下一步 52
第2章词向量表示 53
2.1词嵌入简介 53
2.2word2vec 56
2.2.1skip-gram模型 58
2.2.2模型成分：架构 58
2.2.3模型成分：隐藏层 58
2.2.4模型成分：输出层 60
2.2.5CBOW模型 61
2.3频繁词二次采样 61
2.4word2vec代码 64
2.5skip-gram代码 67
2.6CBOW代码 75
2.7下一步 83
第3章展开循环神经网络 85
3.1循环神经网络 86
3.1.1什么是循环 86
3.1.2前馈神经网络和循环神经网络之间的差异 87
3.1.3RNN基础 88
3.1.4自然语言处理和RNN 91
3.1.5RNN的机制 93
3.1.6训练RNN 96
3.1.7RNN中隐藏状态的元意义 98
3.1.8调整RNN 99
3.1.9LSTM网络 99
3.1.10序列到序列模型 105
3.1.11高级seq2seq模型 109
3.1.12序列到序列用例 113
3.2下一步 122
第4章开发聊天机器人 123
4.1聊天机器人简介 123
4.1.1聊天机器人的起源 124
4.1.2聊天机器人如何工作 125
4.1.3为什么聊天机器人拥有如此大的商机 125
4.1.4开发聊天机器人听起来令人生畏 126
4.2对话型机器人 127
4.3聊天机器人：自动文本生成 141
4.4下一步 170
第5章实现研究论文：情感分类 171
5.1基于自注意力机制的句子嵌入 172
5.1.1提出的方法 173
5.1.2可视化 178
5.1.3研究发现 181
5.2实现情感分类 181
5.3情感分类代码 182
5.4模型结果 191
5.5可提升空间 196
5.6下一步 196
......
部分内容试读
本书使用适当和完整的神经网络体系结构示例，例如用于自然语言处理（NLP）任务的循环神经网络（RNN）和序列到序列（seq2seq），以较为全面的方式简化和呈现深度学习的概念。本书试图弥合理论与应用之间的缺口。
本书以循序渐进的方式从理论过渡到实践，首先介绍基础知识，然后是基础数学，最后是相关示例的实现。
前三章介绍NLP的基础知识，从最常用的Python库开始，然后是词向量表示，再到高级算法，例如用于文本数据的神经网络。
最后两章完全侧重于实现，运用广泛流行的Python工具TensorFlow和Keras，处理诸如RNN、长短期记忆（LSTM）网络、seq2seq等复杂架构。我们尽最大努力遵循循序渐进的方法，最后集合全部知识构建一个问答系统。
本书旨在为想要学习面向NLP的深度学习技术的读者提供一个很好的起点。
本书中展示的所有代码都在GitHub上以IPython notebook和脚本的形式公开，使读者能够实践这些示例，并以自己感兴趣的任何方式对它们进行扩展。
关于此书评价
暂无.书摘内容
暂无.面向自然语言处理的深度学习：用Python创建神经网络 [Deep Learning for Natural Language Processing: Cre]最新最全的试读、书评、目录、简介信息由Python中文网整理提供。