自然語言處理遷移學習實戰 Transfer Learning for Natural Language Processing

[加納] 保羅·阿祖雷（Paul Azunre）

自然語言處理遷移學習實戰 預覽內頁
  • 自然語言處理遷移學習實戰-preview-1
  • 自然語言處理遷移學習實戰-preview-2
自然語言處理遷移學習實戰-preview-1

買這商品的人也買了...

商品描述

遷移學習作為機器學習和人工智能領域的重要方法，在電腦視覺、自然語言處理（NLP）、語音識別等領域都得到廣泛應用。本書是遷移學習技術的實用入門圖書，能夠帶領讀者深入實踐自然語言處理模型。首先，本書回顧了機器學習中的關鍵概念，並介紹了機器學習的發展歷史，以及NLP遷移學習的進展；其次，深入探討了一些重要的NLP遷移學習方法—NLP淺層遷移學習和NLP深度遷移學習；最後，涵蓋NLP遷移學習領域中重要的子領域—以Transformer作為關鍵功能的深度遷移學習技術。讀者可以動手將現有的先進模型應用於現實世界的應用程序，包括垃圾電子郵件分類器、IMDb電影評論情感分類器、自動事實檢查器、問答系統和翻譯系統等。

本書文字簡潔、論述精闢、層次清晰，既適合擁有NLP基礎的機器學習和數據科學相關的開發人員閱讀，也適合作為高等院校電腦及相關專業的學生參考用書。

作者簡介

Paul Azunre拥有麻省理工学院计算机科学博士学位，曾担任美国国防部高级研究计划局（DARPA）的多个研究项目的主任研究员。由他创建的Algorine公司致力于推进AI/ML技术并让这些技术产生重大社会影响。Paul还参与创建了Ghana NLP开源社区。该社区专注于NLP技术的应用，尤其是对加纳语和其他低资源语言进行迁移学习。

目錄大綱

第 一部分 導論

第 1章 遷移學習簡介 3

1.1 NLP領域典型任務概述 5

1.2 理解人工智能背景下的NLP技術 6

1.2.1 人工智能 7

1.2.2 機器學習 7

1.2.3 自然語言處理 11

1.3 NLP發展簡史 12

1.3.1 NLP簡介 12

1.3.2 遷移學習的進展 14

1.4 電腦視覺中的遷移學習 16

1.4.1 概述 16

1.4.2 ImageNet預訓練模型 17

1.4.3 ImageNet預訓練模型的微調 18

1.5 NLP遷移學習成為一個令人興奮的研究課題的原因 19

小結 20

第 2章 從頭開始：數據預處理 21

2.1 垃圾電子郵件分類任務中示例數據的預處理 23

2.1.1 加載並檢視Enron電子郵件語料庫 24

2.1.2 加載並檢視欺詐電子郵件數據集 26

2.1.3 將電子郵件文本轉換為數值 30

2.2 電影評論情感分類任務中示例數據的預處理 32

2.3 廣義線性模型 35

2.3.1 邏輯斯諦回歸 36

2.3.2 支持向量機 38

小結 38

第3章 從頭開始：基準測試和優化 41

3.1 基於決策樹的模型 41

3.1.1 隨機森林 42

3.1.2 梯度提升機 42

3.2 神經網絡模型 47

3.2.1 語言模型嵌入 47

3.2.2 BERT模型簡介 52

3.3 效果優化 56

3.3.1 手動超參調優 56

3.3.2 系統化超參調優 57

小結 58

第二部分 基於循環神經網絡的淺層遷移學習和深度遷移學習

第4章 NLP淺層遷移學習 63

4.1 基於預訓練詞嵌入的半監督學習 65

4.2 基於高級表示的半監督學習 69

4.3 多任務學習 71

4.3.1 問題的提出以及淺層神經網絡單任務基線 72

4.3.2 雙任務實驗 74

4.4 領域適配 75

小結 78

第5章 基於循環神經網絡的深度遷移學習實驗的數據預處理 79

5.1 表格分類數據的預處理 81

5.1.1 獲取並檢視表格數據 82

5.1.2 預處理表格數據 85

5.1.3 對預處理數據進行數字編碼 87

5.2 預處理示例數據的事實核查 87

5.2.1 特殊問題考量 88

5.2.2 加載並檢視事實核查數據 88

小結 89

第6章 基於循環神經網絡的NLP深度遷移學習 91

6.1 SIMOn 91

6.1.1 通用神經網絡結構概述 92

6.1.2 表格數據建模 93

6.1.3 SIMOn在表格數據分類中的應用 93

6.2 ELMo 100

6.2.1 ELMo雙向語言建模 101

6.2.2 ELMo在虛假新聞檢測任務中的應用 102

6.3 ULMFiT 104

6.3.1 以語言模型為目標任務的微調 104

6.3.2 以分類為目標任務的微調 105

小結 105

第三部分 基於Transformer的深度遷移學習以及適配策略

第7章 基於Transformer的深度遷移學習和GPT 109

7.1 Transformer 110

7.1.1 transformers庫簡介與註意力可視化 113

7.1.2 自註意力 115

7.1.3 殘差連接、編碼器-解碼器註意力和位置編碼 117

7.1.4 預訓練的編碼器-解碼器在機器翻譯任務中的應用 120

7.2 GPT 121

7.2.1 模型結構概述 122

7.2.2 Transformer pipeline及其在文本生成任務中的應用 124

7.2.3 聊天機器人任務中的應用 126

小結 128

第8章 基於BERT和mBERT的NLP深度遷移學習 129

8.1 BERT 130

8.1.1 BERT模型結構 131

8.1.2 在自動問答任務中的應用 134

8.1.3 在空白填寫和後續句預測任務中的應用 136

8.2 mBERT的跨語言學習 138

8.2.1 JW300數據集概述 139

8.2.2 用預訓練分詞器將mBERT遷移到Twi單語言數據 139

8.2.3 根據Twi單語言數據從頭訓練mBERT模型和分詞器 142

小結 143

第9章 ULMFiT與知識蒸餾的適配策略 145

9.1 逐步解凍和差別式微調 146

9.1.1 預訓練語言模型微調 147

9.1.2 以分類為目標任務的微調 149

9.2 知識蒸餾 151

小結 156

第 10章 ALBERT、適配器和多任務適配策略 157

10.1 嵌入因子分解與跨層參數共享 158

10.2 多任務微調 162

10.2.1 GLUE數據集 163

10.2.2 GLUE單任務微調 164

10.2.3 序列化適配 167

10.3 適配器 169

小結 171

第 11章 總結 173

11.1 關鍵概念概述 174

11.2 其他新興研究趨勢 179

11.2.1 RoBERTa 180

11.2.2 GPT-3 180

11.2.3 XLNet 182

11.2.4 BigBird 182

11.2.5 Longformer 182

11.2.6 Reformer 183

11.2.7 T5 183

11.2.8 BART 184

11.2.9 XLM 185

11.2.10 TAPAS 185

11.3 NLP遷移學習的發展方向 186

11.4 倫理和環境因素 187

11.5 最新進展 189

11.5.1 Kaggle和Zindi比賽 189

11.5.2 arXiv 190

11.5.3 新聞與社交媒體 190

11.6 寫在最後 191

附錄A Kaggle入門 193

A.1 通過Kaggle Kernel免費使用GPU 193

A.2 競賽、討論區和博客 198

附錄B 深度學習的基礎工具簡介 201

B.1 隨機梯度下降 202

B.2 TensorFlow 203

B.3 PyTorch 206

B.4 Keras、fast.ai庫和Hugging Face的transformers庫 207

類似商品