惠民福利中文有码人妻字幕在线 ,免费大片av人片,国产无遮挡无码视频在线观

內(nèi)容簡介

　　本書以Python自然語言處理的常用技術(shù)與真實案例相結(jié)合的方式，深入淺出地介紹Python自然語言處理的重要內(nèi)容。全書共12章，內(nèi)容包括緒論、語料庫、正則表達式、中文分詞技術(shù)、詞性標注與命名實體識別、關(guān)鍵詞提取、文本向量化、文本分類與文本聚類、文本情感分析、NLP中的深度學(xué)習(xí)技術(shù)、智能問答系統(tǒng)，以及基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)垃圾短信分類。本書包含實訓(xùn)和課后習(xí)題，幫助讀者通過練習(xí)和操作實踐，鞏固所學(xué)內(nèi)容。本書可作為“1+X”證書制度試點工作中“大數(shù)據(jù)應(yīng)用開發(fā)（Python）”職業(yè)技能等級證書的教學(xué)和培訓(xùn)用書，也可以作為高校數(shù)據(jù)科學(xué)或人工智能相關(guān)專業(yè)的教材，還可作為機器學(xué)習(xí)愛好者的自學(xué)用書。

作者簡介

　　肖剛（1968-），博士，教授。韓山師范學(xué)院數(shù)學(xué)與統(tǒng)計學(xué)院院長、廣東省中小型企業(yè)大數(shù)據(jù)與智能化工程研究中心主任，華南師范大學(xué)、廣州大學(xué)兼職碩士生導(dǎo)師。中國醫(yī)學(xué)裝備協(xié)會磁共振成像裝備與技術(shù)專業(yè)委員會委員、廣東省生物醫(yī)學(xué)工程學(xué)會醫(yī)學(xué)信息工程分會委員、廣東省工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會、廣東省現(xiàn)場統(tǒng)計學(xué)會和廣東省計算數(shù)學(xué)學(xué)會理事，“泰迪杯”全國數(shù)據(jù)挖掘挑戰(zhàn)賽專家組成員。主要從事應(yīng)用數(shù)學(xué)、數(shù)據(jù)挖掘和醫(yī)學(xué)影像學(xué)的研究工作以及創(chuàng)新創(chuàng)業(yè)競賽、數(shù)學(xué)建模競賽、數(shù)據(jù)挖掘挑戰(zhàn)賽的教學(xué)與指導(dǎo)工作。主持廣東省自然科學(xué)基金項目2項，主持廣東省教育廳項目4項。2016年廣東省科學(xué)技術(shù)進步獎三等獎、2018年汕頭科學(xué)技術(shù)獎一等獎、2019年廣東省科學(xué)技術(shù)進步獎優(yōu)秀獎以及2019年廣東省教學(xué)成果（基礎(chǔ)教育）一等獎主要成員。張良均。高級信息系統(tǒng)項目管理師，泰迪杯全國大學(xué)生數(shù)據(jù)挖掘競賽（www.tipdm.org）的發(fā)起人。華南師范大學(xué)、廣東工業(yè)大學(xué)兼職教授，廣東省工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會理事。兼有大型高科技企業(yè)和高校的工作經(jīng)歷，主要從事大數(shù)據(jù)挖掘及其應(yīng)用的策劃、研發(fā)及咨詢培訓(xùn)。全國計算機技術(shù)與軟件專業(yè)技術(shù)資格（水平）考試繼續(xù)教育和CDA數(shù)據(jù)分析師培訓(xùn)講師。發(fā)表數(shù)據(jù)挖掘相關(guān)論文數(shù)二十余篇，已取得國家發(fā)明專利12項，主編圖書《神經(jīng)網(wǎng)絡(luò)實用教程》、《數(shù)據(jù)挖掘：實用案例分析》、《MATLAB數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》等9本圖書，主持并完成科技項目9項。獲得SAS、SPSS數(shù)據(jù)挖掘認證及Hadoop開發(fā)工程師證書，具有電力、電信、銀行、制造企業(yè)、電子商務(wù)和電子政務(wù)的項目經(jīng)驗和行業(yè)背景。

圖書目錄

第 1章緒論　1
1．1　自然語言處理概述　1
1．1．1　NLP的發(fā)展歷程　2
1．1．2　NLP研究內(nèi)容　3
1．1．3　NLP的幾個應(yīng)用場景　4
1．1．4　NLP與人工智能技術(shù)　5
1．1．5　學(xué)習(xí)NLP的難點　6
1．2　NLP基本流程　6
1．2．1　語料獲取　6
1．2．2　語料預(yù)處理　7
1．2．3　文本向量化　7
1．2．4　模型構(gòu)建　7
1．2．5　模型訓(xùn)練　7
1．2．6　模型評價　8
1．3　NLP的開發(fā)環(huán)境　8
1．3．1　Anaconda安裝　8
1．3．2　Anaconda應(yīng)用介紹　9
小結(jié)　14
課后習(xí)題　14
第　2章語料庫　16
2．1　語料庫概述　16
2．1．1　語料庫簡介　16
2．1．2　語料庫的用途　17
2．2　語料庫的種類與構(gòu)建原則　17
2．2．1　語料庫的種類　17
2．2．2　語料庫的構(gòu)建原則　18
2．3　NLTK　19
2．3．1　NLTK簡介　19
2．3．2　安裝步驟　19
2．3．3　NLTK中函數(shù)的使用　21
2．4　語料庫的獲取　23
2．4．1　獲取NLTK語料庫　23
2．4．2　獲取網(wǎng)絡(luò)在線語料庫　30
2．5　任務(wù)：語料庫的構(gòu)建與應(yīng)用　32
2．5．1　構(gòu)建作品集語料庫　32
2．5．2　武俠小說語料庫分析　33
小結(jié)　35
實訓(xùn)　35
實訓(xùn)1　構(gòu)建語料庫　35
實訓(xùn)2　《七劍下天山》語料庫分析　36
課后習(xí)題　36
第3章　正則表達式　38
3．1　正則表達式的概念　38
3．1．1　正則表達式函數(shù)　38
3．1．2　正則表達式的元字符　40
3．2　任務(wù)：正則表達式的應(yīng)用　43
3．2．1　《西游記》字符過濾　43
3．2．2　自動提取人名與電話號碼　44
3．2．3　提取網(wǎng)頁標簽信息　45
小結(jié)　46
實訓(xùn)　46
實訓(xùn)1　過濾《三國志》中的字符　46
實訓(xùn)2　提取地名與郵編　46
實訓(xùn)3　提取網(wǎng)頁標簽中的文本　46
課后習(xí)題　47
第4章　中文分詞技術(shù)　48
4．1　中文分詞簡介　48
4．2　基于規(guī)則分詞　48
4．2．1　正向最大匹配法　49
4．2．2　逆向最大匹配法　49
4．2．3　雙向最大匹配法　50
4．3　基于統(tǒng)計分詞　51
4．3．1　n元語法模型　51
4．3．2　隱馬爾可夫模型相關(guān)概念　55
4．4　中文分詞工具jieba　62
4．4．1　基本步驟　63
4．4．2　分詞模式　63
4．5　任務(wù)：中文分詞的應(yīng)用　64
4．5．1　HMM中文分詞　64
4．5．2　提取新聞文本中的高頻詞　68
小結(jié)　69
實訓(xùn)　70
實訓(xùn)1　使用HMM進行中文分詞　70
實訓(xùn)2　提取文本中的高頻詞　70
課后習(xí)題　70
第5章　詞性標注與命名實體識別　72
5．1　詞性標注　72
5．1．1　詞性標注簡介　72
5．1．2　詞性標注規(guī)范　73
5．1．3　jieba詞性標注　74
5．2　命名實體識別　77
5．2．1　命名實體識別簡介　77
5．2．2　CRF模型　78
5．3　任務(wù)：中文命名實體識別　82
5．3．1　sklearn-crfsuite庫簡介　83
5．3．2　命名實體識別流程　83
小結(jié)　90
實訓(xùn)　中文命名實體識別　90
課后習(xí)題　91
第6章　關(guān)鍵詞提取　92
6．1　關(guān)鍵詞提取技術(shù)簡介　92
6．2　關(guān)鍵詞提取算法　93
6．2．1　TF-IDF算法　93
6．2．2　TextRank算法　94
6．2．3　LSA與LDA算法　96
6．3　任務(wù)：自動提取文本關(guān)鍵詞　103
小結(jié)　109
實訓(xùn)　109
實訓(xùn)1　文本預(yù)處理　109
實訓(xùn)2　使用TF-IDF算法提取關(guān)鍵詞　109
實訓(xùn)3　使用TextRank算法提取關(guān)鍵詞　110
實訓(xùn)4　使用LSA算法提取關(guān)鍵詞　110
課后習(xí)題　110
第7章　文本向量化　112
7．1　文本向量化簡介　112
7．2　文本離散表示　113
7．2．1　獨熱表示　113
7．2．2　BOW模型　113
7．2．3　TF-IDF表示　114
7．3　文本分布式表示　114
7．3．1　Word2Vec模型　114
7．3．2　Doc2Vec模型　118
7．4　任務(wù)：文本相似度計算　120
7．4．1　Word2Vec詞向量的訓(xùn)練　121
7．4．2　Doc2Vec段落向量的訓(xùn)練　122
7．4．3　計算文本的相似度　124
小結(jié)　128
實訓(xùn)　128
實訓(xùn)1　實現(xiàn)基于Word2Vec模型的新聞?wù)Z料詞向量訓(xùn)練　128
實訓(xùn)2　實現(xiàn)基于Doc2Vec模型的新聞?wù)Z料段落向量訓(xùn)練　128
實訓(xùn)3　使用Word2Vec模型和Doc2Vec模型計算新聞文本的相似度　129
課后習(xí)題　129
第8章　文本分類與文本聚類　131
8．1　文本挖掘簡介　131
8．2　文本分類常用算法　132
8．3　文本聚類常用算法　133
8．4　文本分類與文本聚類的步驟　135
8．5　任務(wù)：垃圾短信分類　136
8．6　任務(wù)：新聞文本聚類　141
小結(jié)　144
實訓(xùn)　144
實訓(xùn)1　基于樸素貝葉斯的新聞分類　144
實訓(xùn)2　食品種類安全問題聚類分析　145
課后習(xí)題　145
第9章　文本情感分析　147
9．1　文本情感分析簡介　147
9．1．1　文本情感分析的主要內(nèi)容　147
9．1．2　文本情感分析的常見應(yīng)用　148
9．2　情感分析的常用方法　149
9．2．1　基于情感詞典的方法　149
9．2．2　基于文本分類的方法　150
9．2．3　基于LDA主題模型的方法　151
9．3　任務(wù)：基于情感詞典的情感分析　151
9．4　任務(wù)：基于文本分類的情感分析　154
9．4．1　基于樸素貝葉斯分類的情感分析　154
9．4．2　基于SnowNLP庫的情感分析　156
9．5　任務(wù)：基于LDA主題模型的情感分析　157
9．5．1　數(shù)據(jù)處理　157
9．5．2　模型訓(xùn)練　158
9．5．3　結(jié)果分析　159
小結(jié)　160
實訓(xùn)　160
實訓(xùn)1　基于詞典的豆瓣評論文本情感分析　160
實訓(xùn)2　基于樸素貝葉斯算法的豆瓣評論文本情感分析　160
實訓(xùn)3　基于SnowNLP的豆瓣評論文本情感分析　161
實訓(xùn)4　基于LDA主題模型的豆瓣評論文本情感分析　161
課后習(xí)題　161
第　10章 NLP中的深度學(xué)習(xí)技術(shù)　163
10．1　循環(huán)神經(jīng)網(wǎng)絡(luò)概述　163
10．2　RNN結(jié)構(gòu)　164
10．2．1　多對一結(jié)構(gòu)　164
10．2．2　等長的多對多結(jié)構(gòu)　164
10．2．3　非等長結(jié)構(gòu)（Seq2Seq模型）　169
10．3　深度學(xué)習(xí)工具　171
10．3．1　TensorFlow簡介　171
10．3．2　基于TensorFlow的深度學(xué)習(xí)庫Keras　172
10．4　任務(wù)：基于LSTM的文本分類與情感分析　172
10．4．1　文本分類　172
10．4．2　情感分析　181
10．5　任務(wù)：基于Seq2Seq的機器翻譯　185
10．5．1　語料預(yù)處理　185
10．5．2　構(gòu)建模型　188
10．5．3　定義優(yōu)化器和損失函數(shù)　191
10．5．4　訓(xùn)練模型　191
10．5．5　翻譯　194
小結(jié)　195
實訓(xùn)　195
實訓(xùn)1　實現(xiàn)基于LSTM模型的新聞分類　195
實訓(xùn)2　實現(xiàn)基于LSTM模型的攜程網(wǎng)評論情感分析　196
實訓(xùn)3　實現(xiàn)基于Seq2Seq和GPU的機器翻譯　196
課后習(xí)題　197
第　11章智能問答系統(tǒng)　198
11．1　智能問答系統(tǒng)簡介　198
11．2　智能問答系統(tǒng)的主要組成部分　198
11．2．1　問題理解　199
11．2．2　知識檢索　199
11．2．3　答案生成　200
11．3　任務(wù)：基于Seq2Seq模型的聊天機器人　201
11．3．1　讀取語料庫　201
11．3．2　文本預(yù)處理　202
11．3．3　模型構(gòu)建　206
11．3．4　模型訓(xùn)練　211
11．3．5　模型評價　218
小結(jié)　218
實訓(xùn)　基于Seq2Seq模型的聊天機器人　218
課后習(xí)題　219
第　12章基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)垃圾短信分類　220
12．1　平臺簡介　220
12．1．1　實訓(xùn)庫　221
12．1．2　數(shù)據(jù)連接　222
12．1．3　實訓(xùn)數(shù)據(jù)　222
12．1．4　我的實訓(xùn)　223
12．1．5　系統(tǒng)算法　223
12．1．6　個人算法　225
12．2　實現(xiàn)垃圾短信分類　226
12．2．1　數(shù)據(jù)源配置　227
12．2．2　文本預(yù)處理　229
12．2．3　樸素貝葉斯分類模型　234
小結(jié)　235
實訓(xùn)　實現(xiàn)基于樸素貝葉斯的新聞分類　235
課后習(xí)題　236