نرم افزار: سیستم ها: محاسبات علمی

روش های شبکه عصبی برای پردازش زبان طبیعی

Neural network methods for natural language processing

دانلود کتاب Neural network methods for natural language processing (به فارسی: روش های شبکه عصبی برای پردازش زبان طبیعی) نوشته شده توسط «Goldberg – Yoav»

اطلاعات کتاب روش های شبکه عصبی برای پردازش زبان طبیعی

موضوع اصلی: کامپیوتر – علوم کامپیوتر

نوع: کتاب الکترونیکی

ناشر: Morgan & Claypool

نویسنده: Goldberg – Yoav

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2017

تعداد صفحه: 311

حجم فایل: 4.32 مگابایت

کد کتاب: 1627052984 , 9781627052986

توضیحات کتاب روش های شبکه عصبی برای پردازش زبان طبیعی

شبکه های عصبی خانواده ای از مدل های یادگیری ماشین قدرتمند هستند. این کتاب بر روی کاربرد مدل های شبکه عصبی در داده های زبان طبیعی تمرکز دارد. نیمه اول کتاب (قسمت اول و دوم) مبانی یادگیری ماشین نظارت شده و شبکه های عصبی پیشخور، اصول کار با یادگیری ماشین بر روی داده های زبان، و استفاده از نمایش های مبتنی بر برداری و نه نمادین برای کلمات را پوشش می دهد. . همچنین انتزاع نمودار محاسباتی را پوشش می‌دهد، که امکان تعریف و آموزش آسان شبکه‌های عصبی دلخواه را فراهم می‌کند و اساس طراحی کتابخانه‌های نرم‌افزار شبکه عصبی معاصر است. بخش دوم کتاب (قسمت سوم و چهارم) معماری‌های شبکه‌های عصبی تخصصی‌تر از جمله شبکه‌های عصبی کانولوشنیک 1 بعدی، شبکه‌های عصبی بازگشتی، مدل‌های نسل شرطی و مدل‌های مبتنی بر توجه را معرفی می‌کند. این معماری‌ها و تکنیک‌ها نیروی محرکه الگوریتم‌های پیشرفته برای ترجمه ماشینی، تجزیه نحوی و بسیاری از کاربردهای دیگر هستند. در نهایت، ما همچنین شبکه‌های درختی شکل، پیش‌بینی ساخت‌یافته، و چشم‌انداز یادگیری چند وظیفه‌ای را مورد بحث قرار می‌دهیم. مقدمه — 2. یادگیری مبانی و مدل های خطی — 3. از مدل های خطی تا پرسپترون های چند لایه — 4. شبکه های عصبی پیشخور — 5. آموزش شبکه های عصبی — 6. ویژگی های داده های متنی — 7. مطالعات موردی ویژگی های NLP — 8. از ویژگی های متنی تا ورودی ها — 9. مدل سازی زبان — 10. نمایش کلمات از قبل آموزش دیده — 11. استفاده از جاسازی کلمات — 12. مطالعه موردی: معماری پیشخور برای جمله معنی استنتاج — 13. آشکارسازهای Ngram: شبکه های عصبی کانولوشن — 14. شبکه های عصبی بازگشتی: مدل سازی توالی ها و پشته ها — 15. معماری شبکه عصبی بازگشتی بتن — 16. مدل سازی با شبکه های بازگشتی — 17. تولید شرطی — 18 مدلسازی درختان با شبکه های عصبی بازگشتی — 19. پیش بینی خروجی ساختاریافته — 20. یادگیری آبشاری، چند وظیفه ای و نیمه نظارتی — 21. نتیجه گیری — کتابشناسی — بیوگرافی نویسنده.

Neural networks are a family of powerful machine learning models. This book focuses on the application of neural network models to natural language data. The first half of the book (Parts I and II) covers the basics of supervised machine learning and feed-forward neural networks, the basics of working with machine learning over language data, and the use of vector-based rather than symbolic representations for words. It also covers the computation-graph abstraction, which allows to easily define and train arbitrary neural networks, and is the basis behind the design of contemporary neural network software libraries. The second part of the book (Parts III and IV) introduces more specialized neural network architectures, including 1D convolutional neural networks, recurrent neural networks, conditioned-generation models, and attention-based models. These architectures and techniques are the driving force behind state-of-the-art algorithms for machine translation, syntactic parsing, and many other applications. Finally, we also discuss tree-shaped networks, structured prediction, and the prospects of multi-task learning.;1. Introduction — 2. Learning basics and linear models — 3. From linear models to multi-layer perceptrons — 4. Feed-forward neural networks — 5. Neural network training — 6. Features for textual data — 7. Case studies of NLP features — 8. From textual features to inputs — 9. Language modeling — 10. Pre-trained word representations — 11. Using word embeddings — 12. Case study: a feed-forward architecture for sentence meaning inference — 13. Ngram detectors: convolutional neural networks — 14. Recurrent neural networks: modeling sequences and stacks — 15. Concrete recurrent neural network architectures — 16. Modeling with recurrent networks — 17. Conditioned generation — 18. Modeling trees with recursive neural networks — 19. Structured output prediction — 20. Cascaded, multi-task and semi-supervised learning — 21. Conclusion — Bibliography — Author’s biography.

دانلود کتاب «روش های شبکه عصبی برای پردازش زبان طبیعی»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان