購買鏈接：https://item.jd.com/12479014.html
作者：王海良，李卓桓，林旭鳴 著
出版社：電子工業出版社
出版時間：2019-01-01
版次：1 頁數：268
開本：16開 用紙：膠版紙
印次：1 ISBN：9787121349218 包裝：平裝
內容簡介
出版社：電子工業出版社
出版時間：2019-01-01
版次：1 頁數：268
開本：16開 用紙：膠版紙
印次：1 ISBN：9787121349218 包裝：平裝
內容簡介
《智能問答與深度學習》面向在校學生或計算機軟件從業人員，由淺入深地介紹了人工智能在文本任務中的應用�！吨悄軉柎鹋c深度學習》不但介紹了自然語言處理、深度學習和機器閱讀理解等基礎知識，還簡述了信息論、人工智能等的發展過程。
作者簡介
王海良，Chatopera聯合創始人、CEO，微軟人工智能極有價值專家。畢業于北京郵電大學，加入IBM工作四年，先后工作于軟件開發實驗室和創新中心，從2016年開始工作于創業公司，三角獸AI算法工程師，呤呤英語AI產品負責人，負責智能對話系統研發。
李卓桓，PreAngel合伙人，Plug and Play投資合伙人。擁有25年編程經驗，曾任優酷網首席科學家、嘰歪網創始人，水木清華BBS站長，紫霞BBS站長。Conversational AI實踐者，熱愛滑雪、跑酷、滑雪傘等極限運動。
林旭鳴，北京郵電大學模式識別實驗室研究生，目前的研究方向為深度學習、自然語言處理與機器閱讀理解。本科期間曾獲得國家獎學金，研究生期間多次在數據類競賽中取得Top3的成績。曾在百度、滴滴出行、微軟等公司實習。
目錄
1 概述1
1.1 智能問答：讓機器更好地服務于人 1
1.2 問答系統類型介紹 2
1.2.1 基于事實的問答系統 3
1.2.2 基于常見問題集的問答系統 3
1.2.3 開放域的問答系統 4
1.3 使用本書附帶的源碼程序 4
1.3.1 安裝依賴軟件 4
1.3.2 下載源碼 5
1.3.3 執行示例程序 5
1.3.4 聯系我們 6
1.4 全書結構 6
2 機器學習基礎 8
2.1 線性代數 8
2.1.1 標量、向量、矩陣和張量 8
2.1.2 矩陣運算 9
2.1.3 特殊類型的矩陣 10
2.1.4 線性相關 11
2.1.5 范數 12
2.2 概率論基礎 12
2.2.1 隨機變量 13
2.2.2 期望和方差 13
2.2.3 伯努利分布 14
2.2.4 二項分布 14
2.2.5 泊松分布 15
2.2.6 正態分布 15
2.2.7 條件概率、聯合概率和全概率 17
2.2.8 先驗概率與后驗概率 18
2.2.9 邊緣概率 18
2.2.10 貝葉斯公式 18
2.2.11 最大似然估計算法 19
2.2.12 線性回歸模型 20
2.2.13 邏輯斯蒂回歸模型 21
2.3 信息論基礎 22
2.3.1 熵 23
2.3.2 聯合熵和條件熵 23
2.3.3 相對熵與互信息 24
2.3.4 信道和信道容量 25
2.3.5 最大熵模型 26
2.3.6 信息論與機器學習 29
2.4 統計學習 29
2.4.1 輸入空間、特征空間與輸出空間 30
2.4.2 向量表示 30
2.4.3 數據集 31
2.4.4 從概率到函數 31
2.4.5 統計學習三要素 32
2.5 隱馬爾可夫模型 33
2.5.1 隨機過程和馬爾可夫鏈 33
2.5.2 隱馬爾可夫模型的定義 36
2.5.3 三個基本假設及適用場景 37
2.5.4 概率計算問題之直接計算 39
2.5.5 概率計算問題之前向算法 40
2.5.6 概率計算問題之后向算法 42
2.5.7 預測問題之維特比算法 45
2.5.8 學習問題之Baum-Welch算法 48
2.6 條件隨機場模型 52
2.6.1 超越HMM 52
2.6.2 項目實踐 55
2.7 總結 59
3 自然語言處理基礎 60
3.1 中文自動分詞 60
3.1.1 有向無環圖 61
3.1.2 最大匹配算法 63
3.1.3 算法評測 69
3.1.4 由字構詞的方法 72
3.2 詞性標注 77
3.2.1 詞性標注規范 77
3.2.2 隱馬爾可夫模型詞性標注 79
3.3 命名實體識別 81
3.4 上下文無關文法 82
3.4.1 原理介紹 83
3.4.2 算法淺析 83
3.5 依存關系分析 84
3.5.1 算法淺析 85
3.5.2 項目實踐 92
3.5.3 小結 94
3.6 信息檢索系統 95
3.6.1 什么是信息檢索系統 95
3.6.2 衡量信息檢索系統的關鍵指標 95
3.6.3 理解非結構化數據 97
3.6.4 倒排索引 98
3.6.5 處理查詢 100
3.6.6 項目實踐 102
3.6.7 Elasticsearch 103
3.6.8 小結 112
3.7 問答語料 113
3.7.1 WikiQA 113
3.7.2 中文版保險行業語料庫Insurance QA 113
3.8 總結 115
4 深度學習初步 116
4.1 深度學習簡史 116
4.1.1 感知機 116
4.1.2 寒冬和復蘇 117
4.1.3 走出實驗室 118
4.1.4 寒冬再臨 119
4.1.5 走向大規模實際應用 119
4.2 基本架構 120
4.2.1 神經元 121
4.2.2 輸入層、隱藏層和輸出層 122
4.2.3 標準符號 123
4.3 神經網絡是如何學習的 124
4.3.1 梯度下降 124
4.3.2 反向傳播理論 127
4.3.3 神經網絡全連接層的實現 130
4.3.4 使用簡單神經網絡實現問答任務 131
4.4 調整神經網絡超參數 136
4.4.1 超參數 136
4.4.2 參考建議 137
4.5 卷積神經網絡與池化 138
4.5.1 簡介 138
4.5.2 卷積層的前向傳播 139
4.5.3 池化層的前向傳播 141
4.5.4 卷積層的實現 141
4.5.5 池化層的實現 145
4.5.6 使用卷積神經網絡實現問答任務 148
4.6 循環神經網絡及其變種 149
4.6.1 簡介 149
4.6.2 循環神經網絡 149
4.6.3 長短期記憶單元和門控循環單元 153
4.6.4 循環神經網絡的實現 156
4.6.5 使用循環神經網絡實現問答任務 159
4.7 簡易神經網絡工具包 160
5 詞向量實現及應用 161
5.1 語言模型 161
5.1.1 評測 162
5.1.2 ARPA格式介紹 162
5.1.3 項目實踐 163
5.2 One-hot表示法 164
5.3 詞袋模型 165
5.4 NNLM和RNNLM 165
5.5 word2vec 168
5.5.1 C-BOW的原理 169
5.5.2 Skip-gram的原理 172
5.5.3 計算效率優化 174
5.5.4 項目實踐 179
5.6 GloVe 189
5.6.1 GloVe的原理 189
5.6.2 GloVe與word2vec的區別和聯系 191
5.6.3 項目實踐 193
5.7 fastText 198
5.7.1 fastText的原理 198
5.7.2 fastText與word2vec的區別和聯系 200
5.7.3 項目實踐 201
5.8 中文近義詞工具包 204
5.8.1 安裝 205
5.8.2 接口 205
5.9 總結 205
6 社區問答中的QA匹配 206
6.1 社區問答任務簡介 206
6.2 孿生網絡模型 207
6.3 QACNN模型 207
6.3.1 模型構建 207
6.3.2 實驗結果 214
6.4 Decomposable Attention模型 214
6.4.1 模型介紹 214
6.4.2 模型構建 216
6.5 多比較方式的比較–集成模型 216
6.5.1 模型介紹 216
6.5.2 模型構建 218
6.6 BiMPM模型 219
6.6.1 模型介紹 219
6.6.2 模型構建 221
7 機器閱讀理解 222
7.1 完型填空型機器閱讀理解任務 222
7.1.1 CNN/Daily Mail數據集 222
7.1.2 Children’s Book Test（CBT）數據集 223
7.1.3 GA Reader模型 226
7.1.4 SA Reader模型 227
7.1.5 AoA Reader模型 228
7.2 答案抽取型機器閱讀理解任務 230
7.2.1 SQuAD數據集 231
7.2.2 MS MARCO數據集 232
7.2.3 TriviaQA數據集 234
7.2.4 DuReader數據集 235
7.2.5 BiDAF模型 235
7.2.6 R-Net模型 237
7.2.7 S-Net模型 240
7.3 答案選擇型機器閱讀理解任務 243
7.4 展望 245
參考文獻 246
➤
