￥59.00
作品简介
本书的目标是为Python开发人员提供坚实的NLU基础知识。本书将深入探索自然语言理解相关实用技术，并帮助读者创建各种新颖实用的自然语言理解应用程序。
本书共分为三部分：第1部分介绍了NLU的背景以及如何开始一个NLU项目；第二部分探讨了完成NLU任务所需要使用的Python工具和相关技术；第三部分讨论了在管理和部署NLU应用程序时应该考虑的因素，以及对NLU未来的展望。
作品目录
前言
审校者简介
第一部分 自然语言理解技术入门
第1章 自然语言理解方法与应用程序
1.1 自然语言基础知识
1.2 自然语言与字符编码
1.3 对话式人工智能与自然语言理解
1.4 交互式应用程序——聊天机器人与语音助手
1.5 非交互式应用程序
1.6 Python自然语言处理展望
1.7 本章小结
第2章 识别自然语言理解问题
2.1 识别适合当前技术水平的问题
2.2 开发成本
2.3 维护成本
2.4 决定是否使用自然语言理解的流程
2.5 本章小结
第二部分 自然语言理解系统开发与测试
第3章 自然语言理解方法
3.1 基于规则的方法
3.2 传统的机器学习算法
3.3 深度学习方法
3.4 预训练模型
3.5 选择自然语言理解方法需要考虑的因素
3.6 本章小结
第4章 用于自然语言理解的Python库与工具
4.1 技术要求
4.2 安装Python
4.3 安装JupyterLab和GitHub
4.4 常用的自然语言处理Python库
4.5 一个示例
4.6 本章小结
第5章 数据收集与数据预处理
5.1 数据收集与数据标注
5.2 确保数据的隐私性并遵守道德准则
5.3 数据预处理
5.4 针对具体应用程序的数据预处理
5.5 选择合适的数据预处理方法
5.6 本章小结
第6章 数据探索与数据可视化
6.1 为什么要进行数据可视化
6.2 数据探索
6.3 数据可视化注意事项
6.4 基于数据可视化信息对后续数据处理做出决策
6.5 本章小结
第7章 自然语言处理方法选择与数据表示
7.1 自然语言处理方法选择
7.2 自然语言处理应用程序中的语言表示
7.3 使用数学向量表示语言
7.4 使用上下文无关向量表示单词
7.5 使用上下文相关向量表示单词
7.6 本章小结
第8章 基于规则的方法
8.1 基于规则的方法简介
8.2 为什么要使用规则
8.3 正则表达式
8.4 词汇级分析
8.5 句子级分析
8.6 本章小结
第9章 机器学习第1部分——统计机器学习
9.1 模型评估方法简介
9.2 基于词频逆文档频率的文档表示与基于朴素贝叶斯算法的文档分类
9.3 基于支持向量机的文档分类
9.4 基于条件随机场模型的槽填充
9.5 本章小结
第10章 机器学习第2部分——神经网络与深度学习
10.1 神经网络基础
10.2 全连接神经网络分类示例
10.3 超参数与超参数调优
10.4 循环神经网络
10.5 卷积神经网络
10.6 本章小结
第11章 机器学习第3部分——Transformer与大语言模型
11.1 技术要求
11.2 Transformer和大语言模型概述
11.3 BERT模型及其衍生模型
11.4 BERT模型分类示例
11.5 基于云的大语言模型
11.6 本章小结
第12章 无监督学习方法应用
12.1 无监督学习的概念
12.2 基于聚类和标签生成的主题建模
12.3 充分利用数据的部分监督学习方法
12.4 本章小结
第13章 模型评估
13.1 为什么要评估自然语言理解系统
13.2 评估范式
13.3 数据切分
13.4 评估指标
13.5 用户测试
13.6 差异的统计显著性
13.7 比较三种文本分类方法
13.8 本章小结
第三部分 自然语言理解系统的大规模应用
第14章 如果系统不工作怎么办
14.1 技术要求
14.2 找出系统不工作的原因
14.3 解决系统准确率过低的问题
14.4 系统部署
14.5 部署之后的问题
14.6 本章小结
第15章 总结与展望
15.1 本书概述
15.2 更高的准确率和更快的训练速度
15.3 超越当前技术水平的应用程序
15.4 自然语言理解未来发展方向
15.5 本章小结
15.6 扩展阅读
载入中