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 折 $538
- 語言: 繁體中文
- 頁數: 464
- 裝訂: 平裝
- ISBN: 986434501X
- ISBN-13: 9789864345014
-
相關分類:
Text-mining
- 此書翻譯自: 自然語言處理入門
立即出貨(限量) (庫存=10)
買這商品的人也買了...
-
自然語言處理：用人工智慧看懂中文$690$587 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
PyTorch 自然語言處理｜以深度學習建立語言應用程式 (Natural Language Processing with PyTorch)$580$458 -
程式設計師從零開始邁向架構師之路$650$553 -
量子霸權(Quantum Supermacy)世界大戰開打：量子電腦真的來了$600$510 -
強者用 PyTorch：實作史上最經典 AI 範例$690$587 -
人類智慧的神殿：AI知識圖譜實作$890$757 -
機器學習｜特徵工程 (Feature Engineering for Machine Learning)$520$411 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$493 -
橫跨 Android 及 Apple 的神話：用 Dart 語言神啟 Flutter 大業$690$545 -
依賴注入：原理、實作與設計模式 (Dependency Injection: Principles, Practices, Patterns, 2/e)$1,000$780 -
矽谷資深演算法大師：帶你學深度學習推薦系統 (附8頁彩頁)$780$663 -
猜心競賽 : 從實作了解推薦系統演算法$780$663 -
下世代超前佈署：用 Zabbix 全面監管巨量伺服器$880$695 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$638 -
AI 語音辨識：用 Kaldi 實作應用全集$880$748 -
$505自然語言處理實戰 : 利用 Python 理解、分析和生成文本 -
小輕快跨平台：王的編輯器 Visual Studio Code 聖經$880$695 -
還在 LAMP？用最流行的 MEAN 進行全端網頁開發$780$663 -
用 Node.js 一統 JavaScript 前後端：強勢 Web 開發親手作 (有些許瑕疵,不影響閱讀)$780$663 -
自然語言處理最佳實務｜全面建構真正的 NLP 系統 (Practical Natural Language Processing: A Comprehensive Guide to Building Real-World Nlp Systems)$780$616 -
最新 AI 技術：知識圖譜集技術概念大成$980$833 -
編寫程式的邏輯：如何用物件導向實作複雜的業務需求$680$578 -
全中文自然語言處理：Pre-Trained Model 方法最新實戰$880$695 -
ChatGPT 與 AI繪圖效率大師：從日常到職場的全方位應用總整理，48小時迎接減壓新生活！$620$484
相關主題
商品描述
你一定能看懂的自然語言處理入門書！
♘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
