本書從實用角度出發(fā)，首先介紹了Flink的功能模塊、運行模式、部署安裝等內容，然后著重介紹了Flink中的實時處理技術和批量處理技術，接著講解了Flink的Table與SQL、CEP機制、調優(yōu)與監(jiān)控、實時數(shù)據(jù)同步解析，*后通過Flink結合Kylin實現(xiàn)了實時數(shù)據(jù)統(tǒng)計的功能。本書內容全面，由淺入深，包含大量的代碼示例，并提供下載服務，每章配有重要知識點串講視頻和小結，以指導讀者輕松入門。本書適合有
電子書
內容簡介
近年來，基于深度學習方法的自然語言處理（NLP）已逐漸成為主流。本書共8章，主要介紹自然語言處理任務中的深度學習技術，包含深度學習理論基礎、深度學習的軟件框架、語言模型與詞向量、序列模型與梯度消失/爆炸、卷積神經(jīng)網(wǎng)絡在NLP領域的應用、Seq2Seq模型與Attention機制、大規(guī)模預訓練模型、預訓練語言模型BERT，還給出了自然語言處理技術的高級應用和開發(fā)實例，并收錄了基于PyTorch深度學習框架的部分實踐項目。 本書既可作為人工智能、計算機科學、電子信息工程、自動化等專業(yè)的本科生及研究生教材，也可作為自然語言處理相關領域的研究人員和技術人員的參考資料。
章節(jié)目錄
- 封面
- 前折頁
- 書名頁
- 版權頁
- 致數(shù)字化人才的一封信
- 前言
- 目錄
- 第1章 深度學習理論基礎
- 1.1 深度學習概況
- 1.1.1 深度學習的歷史
- 1.1.2 “無所不能”的深度學習
- 1.2 深度學習神經(jīng)網(wǎng)絡
- 1.2.1 神經(jīng)網(wǎng)絡
- 1.2.2 隱藏層
- 1.2.3 梯度下降
- 1.2.4 激活函數(shù)
- 1.2.5 權重初始化
- 1.2.6 正則化
- 1.2.7 歸一化
- 第2章 深度學習的軟件框架
- 2.1 環(huán)境配置
- 2.1.1 Anaconda
- 2.1.2 英偉達GPU驅動+CUDA+cuDNN
- 2.1.3 PyTorch安裝
- 2.1.4 Python IDE選擇
- 2.2 PyTorch入門
- 2.2.1 Tensor基本概念
- 2.2.2 Tensor的運算
- 2.3 PyTorch自動求梯度
- 2.3.1 基本概念
- 2.3.2 Tensor樣例
- 2.3.3 梯度計算
- 2.4 PyTorch nn模塊
- 第3章 語言模型與詞向量
- 3.1 語言模型
- 3.1.1 無處不在的語言模型
- 3.1.2 神經(jīng)網(wǎng)絡語言模型
- 3.2 詞向量
- 3.2.1 one-hot
- 3.2.2 word2vec
- 3.2.3 GloVe
- 3.3 代碼實戰(zhàn)
- 3.3.1 任務1：應用PyTorch搭建Skip-Gram
- 3.3.2 任務2：基于GloVe的大規(guī)模中文語料的詞向量訓練
- 第4章 序列模型與梯度消失/爆炸
- 4.1 循環(huán)神經(jīng)網(wǎng)絡
- 4.1.1 模型結構及計算過程
- 4.1.2 應用PyTorch搭建并訓練RNN模型
- 4.2 梯度消失與爆炸
- 4.2.1 產生原因
- 4.2.2 解決方法
- 4.3 改進方法
- 4.3.1 LSTM
- 4.3.2 GRU
- 4.4 代碼實戰(zhàn)：搭建LSTM/GRU的文本分類器
- 第5章 卷積神經(jīng)網(wǎng)絡在NLP領域的應用
- 5.1 卷積神經(jīng)網(wǎng)絡的概念
- 5.1.1 輸入層
- 5.1.2 卷積層
- 5.1.3 池化層
- 5.1.4 全連接層
- 5.2 空洞卷積神經(jīng)網(wǎng)絡
- 5.2.1 空洞卷積的基本定義
- 5.2.2 空洞卷積在NLP中的應用
- 5.2.3 空洞卷積相關代碼
- 5.2.4 多層卷積
- 5.3 代碼實戰(zhàn)：CNN情感分類實戰(zhàn)
- 5.3.1 數(shù)據(jù)處理
- 5.3.2 程序主干部分
- 5.3.3 模型部分
- 5.3.4 模型訓練與評估
- 第6章 Seq2Seq模型與Attention機制
- 6.1 Encoder-Decoder結構
- 6.1.1 Encoder
- 6.1.2 Decoder
- 6.1.3 Encoder-Decoder存在的問題
- 6.2 Attention機制
- 6.3 Seq2Seq訓練與預測
- 6.3.1 模型訓練
- 6.3.2 模型預測
- 6.3.3 BLEU模型評估法
- 6.4 代碼實戰(zhàn)：應用PyTorch搭建機器翻譯模型
- 第7章 大規(guī)模預訓練模型
- 7.1 ELMo
- 7.1.1 模型結構
- 7.1.2 模型效果
- 7.1.3 ELMo的優(yōu)點
- 7.1.4 利用ELMo+CNN進行分類的示例
- 7.2 Transformer
- 7.2.1 Encoder端及Decoder端總覽
- 7.2.2 Encoder端各個子模塊
- 7.2.3 Decoder端各個子模塊
- 7.2.4 其他模塊
- 7.2.5 完整模型
- 第8章 預訓練語言模型BERT
- 8.1 BERT的基本概念
- 8.2 BERT的工作原理
- 8.2.1 BERT的預訓練
- 8.2.2 BERT模型結構
- 8.2.3 BERT的微調
- 8.3 BERT的可解釋性
- 8.4 其他預訓練模型
- 8.4.1 XLNet
- 8.4.2 RoBERTa
- 8.4.3 ALBERT
- 8.5 代碼實戰(zhàn)：預訓練模型
- 參考文獻
- 后折頁
- 封底
展開全部
深度學習自然語言處理實戰(zhàn)是2020年由機械工業(yè)出版社出版,作者開課吧 組編 張楠 蘇南 王貴陽 等編著。
溫馨提示：
1.本電子書已獲得正版授權，由出版社通過知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費之后概不接收任何理由退款。電子書內容僅支持在線閱讀，不支持下載。
3.您在本站購買的閱讀使用權僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關后果本平臺保留向您追償索賠的權利！版權所有，后果自負！
得書感謝您對《深度學習自然語言處理實戰(zhàn)》關注和支持，如本書內容有不良信息或侵權等情形的，請聯(lián)系本網(wǎng)站。
電子書
電子書
《零基礎玩轉Python》從實用角度出發(fā)，結合開課吧Python小課的學習內容，不僅介紹了Python語言的基礎知識（包括常量、變量、函數(shù)、數(shù)據(jù)類型、選擇結構、循環(huán)結構、面向對象等內容），還介紹了Python基礎語法在實際問題中靈活運用的方法。每課的后面都有與該課內容結合的知識拓展，由例題與答案、解析和拓展三部分組成，以便指導讀者更好地理解消化所學知識點?！读慊A玩轉Python》每節(jié)課均配有主要
電子書
本書系統(tǒng)地描述了如何利用Python語言進行數(shù)據(jù)分析。由淺入深的編寫方式可以幫助讀者輕松愉快地進入數(shù)據(jù)的世界。全書從理論到實踐、從基礎語法到科學計算庫，循序漸進地講解了Python數(shù)據(jù)分析所需要學習的技能。搭配項目實戰(zhàn)幫助讀者更好、更快地掌握Python數(shù)據(jù)分析知識點。此外，還全面介紹了數(shù)據(jù)分析的必知必會技能。本書提供代碼資源下載服務，每章均配有重要知識點串講視頻。本書不僅適合零基礎喜歡數(shù)據(jù)分析的
電子書
本書適用于Java編程語言的初學者。在Java入門階段很容易陷入概念繁雜和不知道從何入手的尷尬。本書定位于Java程序邏輯訓練，以完成任務的方式一步步進行知識點講解，*終完成任務驗收，以任務拆解學習過程，學習目的性更強。每個任務以任務描述→目標→任務線索→任務實施→驗收標準→問題總結→擴展閱讀的主線展開，線索學習成為任務完成的關鍵點，讓讀者在具體任務的完成過程中進行Java程序邏輯入門學習，除了收
電子書
本書從Java常用的三個框架入手，對MyBatis、Dubbo、RocketMQ的代碼進行了深入解讀，讓讀者可以從框架設計到實現(xiàn)細節(jié)上全面了解Java代碼，并引領讀者深入探索代碼中的設計細節(jié)及架構模型。本書分為3章：第1章為數(shù)據(jù)層主流框架——MyBatis學習指南，解讀MyBatis框架中關于接口層和配置文件解析過程；第2章為微服務Dubbo通信解密，闡述微服務Dubbo通信架構高擴展性架構設計原
電子書
本書主要講解深度學習和TensorFlow的實戰(zhàn)知識，全書分為10章，主要內容如下：第1章為深度學習概述，包括深度學習的基礎知識、深度學習的生產力實現(xiàn)—TensorFlow、數(shù)據(jù)模型、TensorFlow項目介紹、TensorFlow工作環(huán)境的安裝與運行；第2章為機器學習概述，講解機器學習的定義、任務、性能、經(jīng)驗、學習算法、線性回歸實例和TensorFlow的完整運行腳本；第3章介紹從生物神經(jīng)元到
電子書
本書以PyTorch深度學習的常用技術與真實案例相結合的方式，深入淺出地介紹使用PyTorch實現(xiàn)深度學習應用的重要內容。本書共7章，內容包括深度學習概述、PyTorch深度學習通用流程、PyTorch深度學習基礎、手寫漢字識別、文本生成、基于CycleGAN的圖像風格轉換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成等。本書大部分章包含實訓和課后習題，希望通過練習和操作實踐，幫助讀者鞏固所學的內
電子書
本書以深度學習的常用技術與TensorFlow2真實案例相結合的方式，深入淺出地介紹TensorFlow2實現(xiàn)深度學習的重要內容。全書共7章，分為基礎篇（第1～3章）和實戰(zhàn)篇（第4～7章），基礎篇內容包括深度學習概述、TensorFlow2快速入門、深度神經(jīng)網(wǎng)絡原理及實現(xiàn)等基礎知識；實戰(zhàn)篇內容包括4個案例，分別為基于CNN的門牌號識別、基于LSTM網(wǎng)絡的語音識別、基于CycleGAN的圖像風格轉換
