NLP 工程師養成術:自然語言處理入門

何晗 著 廖信彥 審校

  • 出版商: 博碩文化
  • 出版日期: 2020-07-07
  • 定價: $690
  • 售價: 7.8$538
  • 語言: 繁體中文
  • 頁數: 464
  • 裝訂: 平裝
  • ISBN: 986434501X
  • ISBN-13: 9789864345014
  • 相關分類: 文字探勘 Text-mining

尚未上市,歡迎預購

  • NLP 工程師養成術:自然語言處理入門-preview-1
  • NLP 工程師養成術:自然語言處理入門-preview-2
  • NLP 工程師養成術:自然語言處理入門-preview-3
  • NLP 工程師養成術:自然語言處理入門-preview-4
  • NLP 工程師養成術:自然語言處理入門-preview-5
  • NLP 工程師養成術:自然語言處理入門-preview-6
  • NLP 工程師養成術:自然語言處理入門-preview-7
  • NLP 工程師養成術:自然語言處理入門-preview-8
  • NLP 工程師養成術:自然語言處理入門-preview-9
  • NLP 工程師養成術:自然語言處理入門-preview-10
  • NLP 工程師養成術:自然語言處理入門-preview-11
  • NLP 工程師養成術:自然語言處理入門-preview-12
  • NLP 工程師養成術:自然語言處理入門-preview-13
  • NLP 工程師養成術:自然語言處理入門-preview-14
  • NLP 工程師養成術:自然語言處理入門-preview-15
NLP 工程師養成術:自然語言處理入門-preview-1

買這商品的人也買了...

相關主題

商品描述

不會艱深晦澀、不再高深莫測
你一定能看懂的自然語言處理入門書!

 

 

INTRODUCTION TO NATURAL LANGUAGE PROCESSING

 


♘Java與Python雙實作:圖文並茂!演算法、數學公式、程式碼相輔相成。
♘探索式學習路徑:循序漸進!從問題、演算法再到範例實作,一目瞭然。


編輯推薦

作者匯集多年經驗,從基本概念出發,逐步介紹中文分詞、詞性標註、命名實體識別、資訊抽取、文字聚類、文字分類、句法分析這幾個熱門問題的演算法原理與工程實作。透過講解多種演算法,比較它們的優缺點與適用場景,同時詳細展示實際專案導向的程式碼,協助讀者真正將自然語言處理(NLP)應用到正式環境之中。

儘管作者目前是NLP領域的翹楚,但他曾是非本科生,對自學入門有親身體驗,深諳初學者的學習痛點。希望透過這本與眾不同的入門讀物,為讀者打開另一扇機會之門,幫助你零起點上手NLP,讓你在通勤時也能把書讀完讀懂!

隨著本書的學習,你將從普通程式設計師晉級為機器學習工程師,最後進化為NLP工程師。


專家好評

HanLP作者何晗寫的這本書值得一讀。這本書系統性地介紹NLP的基礎技術,深入淺出、容易理解,對初學者助益極大。
周明
微軟亞洲研究院副院長,國際計算語言學會會長

本書不僅介紹NLP的任務及演算法,也提供可以實際執行的線上程式碼,非常適合NLP初學者入門並快速部署到正式環境。
王斌
小米人工智慧實驗室主任、NLP首席科學家


✍配套程式碼由Java 和Python雙語言編寫而成,與GitHub上的最新程式碼同步更新,分別位於https://github.com/hankcs/HanLP/tree/v1.7.5/src/test/java/com/hankcs/book和https://github.com/hankcs/pyhanlp/tree/master/tests/book。

 

 

 

 

 

 

 

 

 

 

 

作者簡介

何晗(@hankcs)
自然語言處理專案HanLP的作者(GitHub Star數量超過14,600),「碼農場」版主(日活躍讀者數超過3,000),埃默里大學計算機博士生,研究方向是句法分析、語義分析與問答系統。

HanLP和「碼農場」是NLP領域實用的學習資源,何晗大約每週處理一次HanLP GitHub上的Issues。

目錄大綱

推薦序
推薦語
前言
主要數學符號表

第1章:新手上路
1.1 自然語言與程式語言
1.2 自然語言處理的層次
1.3 自然語言處理的流派
1.4 機器學習
1.5 語料庫
1.6 開源工具
1.7 總結

第2章:詞典分詞
2.1 什麼是詞
2.2 詞典
2.3 切分演算法
2.4 字典樹
2.5 雙陣列字典樹
2.6 AC 自動機
2.7 基於雙陣列字典樹的AC自動機
2.8 HanLP的詞典分詞實作
2.9 準確率評測
2.10 字典樹的其他應用
2.11 總結

第3章:二元語法與中文分詞
3.1 語言模型
3.2 中文分詞語料庫
3.3 訓練
3.4 預測
3.5 評測
3.6 日語分詞
3.7 總結

第4章:隱馬可夫模型與序列標註
4.1 序列標註問題
4.2 隱馬可夫模型
4.3 隱馬可夫模型的樣本生成
4.4 隱馬可夫模型的訓練
4.5 隱馬可夫模型的預測
4.6 隱馬可夫模型應用於中文分詞
4.7 二階隱馬可夫模型 *
4.8 總結

第5章:感知器分類與序列標註
5.1 分類問題
5.2 線性分類模型與感知器演算法
5.3 基於感知器的人名性別分類
5.4 結構化預測問題
5.5 線性模型的結構化感知器演算法
5.6 基於結構化感知器的中文分詞
5.7 總結

第6章:條件隨機域與序列標註
6.1 機器學習的模型譜系
6.2 條件隨機域
6.3 條件隨機域工具包
6.4 HanLP的CRF++ API
6.5 總結

第7章:詞性標註
7.1 詞性標註概述
7.2 詞性標註語料庫與標註集
7.3 序列標註模型應用於詞性標註
7.4 自訂詞性
7.5 總結

第8章:命名實體識別
8.1 概述
8.2 基於規則的命名實體識別
8.3 命名實體識別語料庫
8.4 基於層疊隱馬可夫模型的角色標註框架
8.5 基於序列標註的命名實體識別
8.6 自訂領域命名實體識別
8.7 總結

第9章:資訊抽取
9.1 新詞提取
9.2 關鍵字提取
9.3 短語提取
9.4 關鍵句提取
9.5 總結

第10章:文字聚類
10.1 概述
10.2 文件的特徵提取
10.3 k 平均值演算法
10.4 重複二分聚類演算法
10.5 標準化評測
10.6 總結

第11章:文字分類
11.1 文字分類的概念
11.2 文字分類語料庫
11.3 文字分類的特徵提取
11.4 單純貝氏分類器
11.5 支援向量機分類器
11.6 標準化評測
11.7 情感分析
11.8 總結

第12章:依存句法分析
12.1 短語結構樹
12.2 依存句法樹
12.3 依存句法分析
12.4 基於轉移的依存句法分析
12.5 依存句法分析API
12.6 案例:基於依存句法樹的意見抽取
12.7 總結

第13章:深度學習與自然語言處理
13.1 傳統方法的局限
13.2 深度學習與優勢
13.3 word2vec
13.4 基於神經網路的高效能依存句法分析器
13.5 自然語言處理進階

自然語言處理學習資料推薦
書籍與雜誌
學術會議
公開課程
網站