【推荐语】
市面上讲解人工智能的书比较多，但要么是偏重理论的讲解，要么是深涩的代码，对于计算机基础较差的学员来说，学很高或者学了无益，付出了大量时间，但达不到岗位要求。“人工智能应用与实践系列”图书地使用了新的教学方法，通过大量由浅入深、环环相扣的实践案例，能够帮助学员迅速理解人工智能的应用，快速掌握工作技能。此外本书还配有的300分钟以上的课程，帮助基础稍弱或者0基础的学员迅速提升。
【目录】
第 1 部分 自然语言处理基础
第 1 章 绪论 2
1.1 自然语言处理综述 3
1.1.1 自然语言处理的基本概念 3
1.1.2 自然语言处理的发展历程 4
1.1.3 自然语言处理的研究内容 5
1.1.4 自然语言处理的挑战与发展趋势 7
1.2 文本处理技能 9
1.2.1 字符串处理 9
1.2.2 中文分词及案例实现 11
1.3 文本数据处理 13
1.3.1 文本操作基础 13
1.3.2 案例实现――文本数据统计 15
1.3.3 案例实现――词云生成 17
本结 19
作业与练9
第 2 章 词向量技术 21
2.1 词向量概述 22
2.1.1 词向量基础 22
2.1.2 词向量表示的问题 22
2.2 词向量离散表示 23
2.2.1 独热编码 23
2.2.2 词袋模型 24
2.2.3 词频-逆文本频率 25
2.2.4 案例实现――文本离散表示 25
2.3 词向量分布表示 29
2.3.1 神经网络语言模型 29
2.3.2 Word2vec 模型 31
2.3.3 案例实现――中文词向量训练 33
本结 39
作业与练9
第 3 章 关键词提取 41
3.1 关键词提取概述 42
3.1.1 关键词提取基础 42
3.1.2 基于 TF-IDF 的关键词提取 42
3.1.3 基于 TextRank 的关键词提取 43
3.1.4 基于 Word2vec 词聚类的关键词提取 43
3.2 关键词提取的实现 44
3.2.1 案例介绍 44
3.2.2 案例实现――关键词提取综合案例 45
本结 57
作业与练7
第 2 部分 自然语言处理核心技术
第 4 章 朴素贝叶斯中文分类 60 4.1 朴素贝叶斯分类算法概述 60
4.1.1 概率基础 60
4.1.2 朴素贝叶斯分类器 62
4.2 机器学sklearn 64
4.2.klearn 获取数据 64
4.2.2 sklearn 数据预处理 64
4.2.3 sklearn 构建模型 65
4.3 案例实现――朴素贝叶斯中文分类 65
本结 71
作业与练2
第 5 章 N-gram 语言模型 73
5.1 N-gram 概述 73
5.1.1 N-gram 语言模型简介 73
5.1.2 N-gram 概率计算 74
5.1.3 案例――N-gram 的实现 75
5.2 案例实现――基于 N-gram 的新闻文本预测 77
本结 84
作业与练4
第 6 章 PyTorch 深度学 85
6.1 PyTorch 基础 85
6.1.1 PyTorch 的介绍与安装 85
6.1.2 PyTorch 入门使用 87
6.1.3 梯度下降与反向传播 92
6.1.4 案例――使用 PyTorch 实现线回归 95
6.2 PyTorch 数据加载 99
6.2.1 使用数据加载器的目的 99
6.2.2 DataSet 的使用方法 99
6.2.3 DataLoader 的使用方法 100
6.3 PyTorch 自带数据集加载 101
本结 102
作业与练02
第 7 章 FastText 模型文本分类 104
7.1 FastText 模型简介 104
7.1.1 FastText 模型原理 104
7.1.2 FastText 模型结构 105
7.1.3 FastText 模型优化 105
7.2 案例实现――FastText 模型文本分类 106
本结 118
作业与练18
第 8 章 基于深度学本分类 119
8.1 基于 TextN 的文本分类 119
8.1.1 卷积神经网络 119
8.1.2 TextN 的原理 121
8.2 基于 TextRNN 的文本分类 122
8.2.1 LSTM 原理 122
8.2.2 LSTM 网络结构 123
8.3 基于 TextRN 的文本分类 124
8.3.1 TextRN 原理 124
8.3.2 TextRN 网络结构 125
8.4 案例实现――基于深度学本分类 126
本结 146
作业与练46
第 3 部分 序列标注
第 9 章 HMM 的词标注 148
9.1 词标注简介 149
9.1.1 词标注的基本概念 149
9.1.2 中文词的分类及作用 149
9.1.3 词标注体系 150
9.2 HMM 词标注的原理和基本问题 151
9.2.1 HMM 词标注的原理 151
9.2.2 HMM 的基本问题 151
9.3 案例实现――HMM 的中文词标注 152
本结 158
作业与练58
第 10 章 HMM 的命名实体识别 159
10.1 命名实体识别 160
10.1.1 命名实体识别的概念 160
10.1.2 NER 的标注方法 160
10.2 NER 的 HMM 162
10.3 案例实现――HMM 的中文命名实体识别 162
本结 175
作业与练75
第 11 章 BiLSTM-CRF 的命名实体识别 176
11.1 CRF 简介 177
11.1.1 CRF 的基本概念 177
11.1.2 BiLSTM 的命名实体识别 177
11.1.3 CRF 的命名实体识别 178
11.2 BiLSTM-CRF 的原理 179
11.3 案例实现――BiLSTM-CRF 的中文命名实体识别 180
本结 189
作业与练89
第 4 部分 预训练模型
第 12 章 ALBERT 的命名实体识别 192
12.1 预训练模型简介 193
12.1.1 预训练模型的基本概念 193
12.1.2 经典的预训练模型 193
12.2 预训练模型 Hugging Face 195
12.2.1 Hugging Face 简介 195
12.2.2 案例实现――使用 Hugging Face完成情感分析 196
12.3 案例实现――ALBERT 的中文命名实体识别 198
本结 7
作业与练07
第 13 章 Transformer 的文本分类 9
13.1 Transformer 概述 210
13.1.1 Encoder-Decoder 模型 210
13.1.2 Transformer 简介 210
13.1.3 Transformer体结构 211
13.2 Self-Attention 机制 213
13.2.1 Self-Attention 机制的原理 213
13.2.2 Self-Attention 的计算过程 214
13.2.3 位置编码和 Layer Normalization 215
13.3 案例实现――Transformer 的文本分类 217
……
第 1 章 绪论 2
1.1 自然语言处理综述 3
1.1.1 自然语言处理的基本概念 3
1.1.2 自然语言处理的发展历程 4
1.1.3 自然语言处理的研究内容 5
1.1.4 自然语言处理的挑战与发展趋势 7
1.2 文本处理技能 9
1.2.1 字符串处理 9
1.2.2 中文分词及案例实现 11
1.3 文本数据处理 13
1.3.1 文本操作基础 13
1.3.2 案例实现――文本数据统计 15
1.3.3 案例实现――词云生成 17
本结 19
作业与练9
第 2 章 词向量技术 21
2.1 词向量概述 22
2.1.1 词向量基础 22
2.1.2 词向量表示的问题 22
2.2 词向量离散表示 23
2.2.1 独热编码 23
2.2.2 词袋模型 24
2.2.3 词频-逆文本频率 25
2.2.4 案例实现――文本离散表示 25
2.3 词向量分布表示 29
2.3.1 神经网络语言模型 29
2.3.2 Word2vec 模型 31
2.3.3 案例实现――中文词向量训练 33
本结 39
作业与练9
第 3 章 关键词提取 41
3.1 关键词提取概述 42
3.1.1 关键词提取基础 42
3.1.2 基于 TF-IDF 的关键词提取 42
3.1.3 基于 TextRank 的关键词提取 43
3.1.4 基于 Word2vec 词聚类的关键词提取 43
3.2 关键词提取的实现 44
3.2.1 案例介绍 44
3.2.2 案例实现――关键词提取综合案例 45
本结 57
作业与练7
第 2 部分 自然语言处理核心技术
第 4 章 朴素贝叶斯中文分类 60 4.1 朴素贝叶斯分类算法概述 60
4.1.1 概率基础 60
4.1.2 朴素贝叶斯分类器 62
4.2 机器学sklearn 64
4.2.klearn 获取数据 64
4.2.2 sklearn 数据预处理 64
4.2.3 sklearn 构建模型 65
4.3 案例实现――朴素贝叶斯中文分类 65
本结 71
作业与练2
第 5 章 N-gram 语言模型 73
5.1 N-gram 概述 73
5.1.1 N-gram 语言模型简介 73
5.1.2 N-gram 概率计算 74
5.1.3 案例――N-gram 的实现 75
5.2 案例实现――基于 N-gram 的新闻文本预测 77
本结 84
作业与练4
第 6 章 PyTorch 深度学 85
6.1 PyTorch 基础 85
6.1.1 PyTorch 的介绍与安装 85
6.1.2 PyTorch 入门使用 87
6.1.3 梯度下降与反向传播 92
6.1.4 案例――使用 PyTorch 实现线回归 95
6.2 PyTorch 数据加载 99
6.2.1 使用数据加载器的目的 99
6.2.2 DataSet 的使用方法 99
6.2.3 DataLoader 的使用方法 100
6.3 PyTorch 自带数据集加载 101
本结 102
作业与练02
第 7 章 FastText 模型文本分类 104
7.1 FastText 模型简介 104
7.1.1 FastText 模型原理 104
7.1.2 FastText 模型结构 105
7.1.3 FastText 模型优化 105
7.2 案例实现――FastText 模型文本分类 106
本结 118
作业与练18
第 8 章 基于深度学本分类 119
8.1 基于 TextN 的文本分类 119
8.1.1 卷积神经网络 119
8.1.2 TextN 的原理 121
8.2 基于 TextRNN 的文本分类 122
8.2.1 LSTM 原理 122
8.2.2 LSTM 网络结构 123
8.3 基于 TextRN 的文本分类 124
8.3.1 TextRN 原理 124
8.3.2 TextRN 网络结构 125
8.4 案例实现――基于深度学本分类 126
本结 146
作业与练46
第 3 部分 序列标注
第 9 章 HMM 的词标注 148
9.1 词标注简介 149
9.1.1 词标注的基本概念 149
9.1.2 中文词的分类及作用 149
9.1.3 词标注体系 150
9.2 HMM 词标注的原理和基本问题 151
9.2.1 HMM 词标注的原理 151
9.2.2 HMM 的基本问题 151
9.3 案例实现――HMM 的中文词标注 152
本结 158
作业与练58
第 10 章 HMM 的命名实体识别 159
10.1 命名实体识别 160
10.1.1 命名实体识别的概念 160
10.1.2 NER 的标注方法 160
10.2 NER 的 HMM 162
10.3 案例实现――HMM 的中文命名实体识别 162
本结 175
作业与练75
第 11 章 BiLSTM-CRF 的命名实体识别 176
11.1 CRF 简介 177
11.1.1 CRF 的基本概念 177
11.1.2 BiLSTM 的命名实体识别 177
11.1.3 CRF 的命名实体识别 178
11.2 BiLSTM-CRF 的原理 179
11.3 案例实现――BiLSTM-CRF 的中文命名实体识别 180
本结 189
作业与练89
第 4 部分 预训练模型
第 12 章 ALBERT 的命名实体识别 192
12.1 预训练模型简介 193
12.1.1 预训练模型的基本概念 193
12.1.2 经典的预训练模型 193
12.2 预训练模型 Hugging Face 195
12.2.1 Hugging Face 简介 195
12.2.2 案例实现――使用 Hugging Face完成情感分析 196
12.3 案例实现――ALBERT 的中文命名实体识别 198
本结 7
作业与练07
第 13 章 Transformer 的文本分类 9
13.1 Transformer 概述 210
13.1.1 Encoder-Decoder 模型 210
13.1.2 Transformer 简介 210
13.1.3 Transformer体结构 211
13.2 Self-Attention 机制 213
13.2.1 Self-Attention 机制的原理 213
13.2.2 Self-Attention 的计算过程 214
13.2.3 位置编码和 Layer Normalization 215
13.3 案例实现――Transformer 的文本分类 217
……
