123,123

內(nèi)容簡(jiǎn)介

　　自然語言處理是一門集語言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)，它包含很廣泛的內(nèi)容，根據(jù)其應(yīng)用目的不同，所采用的技術(shù)手段也不盡相同。本書從數(shù)理基礎(chǔ)到模型介紹，再到生活應(yīng)用，從不同的層次，由淺入深、循序漸進(jìn)地展示一個(gè)完整的自然語言處理學(xué)習(xí)體系?！禕R》本書分兩部分。部分為理論基礎(chǔ)，其中～4章對(duì)什么是自然語言處理、當(dāng)前主流的自然語言處理技術(shù)，以及目前自然語言處理遇到的困境進(jìn)行介紹；第5、6章從數(shù)學(xué)基礎(chǔ)、語言模型，以及詞法分析、語義分析等方面介紹自然語言處理的底層邏輯和模型原理。第二部分為實(shí)踐應(yīng)用，第7～11章介紹自然語言處理在生活中的應(yīng)用?！禕R》本書實(shí)用性強(qiáng)、案例貼近生活，每章配有習(xí)題及其答案，讀者可以掃描二維碼查看習(xí)題答案。

作者簡(jiǎn)介

暫缺《自然語言處理原理與應(yīng)用》作者簡(jiǎn)介

圖書目錄

部分理論基礎(chǔ)
第1章緒論
1.1 基本概念
1.2 自然語言處理的產(chǎn)生與發(fā)展
1.3 基本問題和主要困難
1.3.1 自然語言處理的基本問題
1.3.2 自然語言處理面對(duì)的主要困難
1.4 深度學(xué)習(xí)在自然語言處理中的應(yīng)用
1.4.1 深度學(xué)習(xí)概述
1.4.2 面向自然語言處理的深度學(xué)習(xí)方法
1.4.3 目前深度學(xué)習(xí)應(yīng)用存在的局限及展望
1.5 本章小結(jié)
習(xí)題1
第2章數(shù)學(xué)基礎(chǔ)
2.1 概率論基礎(chǔ)
2.1.1 樣本空間和概率
2.1.2 隨機(jī)變量
2.1.3 條件概率公式、全概率公式和貝葉斯公式
2.1.4 期望和方差
2.2 信息論基礎(chǔ)
2.2.1 自信息和熵
2.2.2 聯(lián)合熵和條件熵
2.2.3 互信息、相對(duì)熵和交叉熵
2.2.4 困惑度
2.2.5 噪聲信道模型
2.3 深度學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
2.3.1 似然估計(jì)
2.3.2 梯度分析
2.3.3 梯度下降法
2.3.4 梯度消失和梯度
2.4 本章小結(jié)
習(xí)題2
第3章語言模型
3.1 語言模型概念及基礎(chǔ)理論
3.1.1 n元語法模型
3.1.2 神經(jīng)概率語言模型
3.1.3 預(yù)訓(xùn)練語言模型
3.2 語言模型性能評(píng)價(jià)
3.2.1 基于信息熵的語言模型復(fù)雜度度量
3.2.2 基于困惑度的語言模型復(fù)雜度度量
3.2.3 基于語言模型的漢語信息熵估算
3.3 數(shù)據(jù)平滑
3.3.1 問題的提出
3.3.2 加法平滑方法
3.3.3 Good-Turing估計(jì)法
3.3.4 Katz平滑方法
3.3.5 Jelinek-Mercer平滑方法
3.3.6 Witten-Bell平滑方法
3.3.7 減值法
3.4 神經(jīng)網(wǎng)絡(luò)語言模型