Name: 阿里AI大牛带你学深度学习 图像识别与自然语言处理 套装共2册
Author: 涂铭 魏溪含 张修鹏 刘祥 刘树春

阿里AI大牛带你学深度学习图像识别与自然语言处理套装共2册

《Python自然语言处理实战：核心技术与算法》自然语言处理是一门融语言学、计算机科学、数学于一体的学科，比较复杂，学习门槛高，但本书巧妙地避开了晦涩难懂的数学公式和证明，即便没有数学基础，也能零基础入门。本书专注于中文的自然语言处理，以Python及其相关框架为工具，以实战为导向，详细讲解了自然语言处理的各种核心技术、方法论和经典算法。三位作者在人工智能、大数据和算法领域有丰富的积累和经验，是*、前明略数据和七牛云的资深专家。同时，本书也得到了*达摩院高级算法专家、七牛云AI实验室Leader等专家的高度评价和鼎力推荐。全书一共11章，在逻辑上分为2个部分：*部分（第1、2、11章）主要介绍了自然语言处理所需要了解的基础知识、前置技术、Python科学包、正则表达式以及Solr检索等。第二部分（第5-10章）第3~5章讲解了词法分析相关的技术，包括中文分词技术、词性标注与命名实体识别、关键词提取算法等。《深度学习与图像识别：原理与实践》这是一部从技术原理、算法和工程实践3个维度系统讲解图像识别的著作，由阿里巴巴达摩院算法专家、阿里巴巴技术发展专家、阿里巴巴数据架构师联合撰写。在知识点的选择上，本书广度和深度兼顾，既能让完全没有基础的读者迅速入门，又能让有基础的读者深入掌握图像识别的核心技术；在写作方式上，本书避开了复杂的数学公式及其推导，从问题的前因后果、创造者的思考过程，利用简单的数学计算来做模型分析和讲解，通俗易懂。更重要的书，本书不仅仅是聚焦于技术，而是将重点放在了如何用技术解决实际的业务问题。全书一共13章：第1-2章主要介绍了图像识别的应用场景、工具和工作环境的搭建；第3-6章详细讲解了图像分类算法、机器学习、神经网络、误差反向传播等图像识别的基础技术及其原理；第7章讲解了如何利用PyTorch来实现神经网络的图像分类，专注于实操，是从基础向高阶的过渡；第8-12章深入讲解了图像识别的核心技术及其原理，包括卷积神经网络、目标检测、分割、产生式模型、神经网络可视化等主题；第13章从工程实践的角度讲解了图像识别算法的部署模式。购买本书的读者请在http://www.hzcourse.com/web/refbook/detail/8376/226下载源代码

微信读书推荐值

待评分

阿里AI大牛带你学深度学习图像识别与自然语言处理套装共2册

涂铭魏溪含张修鹏刘祥刘树春

《Python自然语言处理实战：核心技术与算法》
序一
序二
前言
NLP基础 1
1.1　什么是NLP 1
1.1.1　NLP的概念 1
1.1.2　NLP的研究任务 3
1.2　NLP的发展历程 5
1.3　NLP相关知识的构成 7
1.3.1　基本术语 7
1.3.2　知识结构 9
1.4　语料库 10
1.5　探讨NLP的几个层面 11
1.6　NLP与人工智能 13
1.7　本章小结 15
NLP前置技术解析 16
2.1　搭建Python开发环境 16
2.1.1　Python的科学计算发行版——Anaconda 17
2.1.2　Anaconda的下载与安装 19
2.2　正则表达式在NLP的基本应用 21
2.2.1　匹配字符串 22
2.2.2　使用转义符 26
2.2.3　抽取文本中的数字 26
2.3　Numpy使用详解 27
2.3.1　创建数组 28
2.3.2　获取Numpy中数组的维度 30
2.3.3　获取本地数据 31
2.3.4　正确读取数据 32
2.3.5　Numpy数组索引 32
2.3.6　切片 33
2.3.7　数组比较 33
2.3.8　替代值 34
2.3.9　数据类型转换 36
2.3.10　Numpy的统计计算方法 36
2.4　本章小结 37
中文分词技术 38
3.1　中文分词简介 38
3.2　规则分词 39
3.2.1　正向最大匹配法 39
3.2.2　逆向最大匹配法 40
3.2.3　双向最大匹配法 41
3.3　统计分词 42
3.3.1　语言模型 43
3.3.2　HMM模型 44
3.3.3　其他统计分词算法 52
3.4　混合分词 52
3.5　中文分词工具——Jieba 53
3.5.1　Jieba的三种分词模式 54
3.5.2　实战之高频词提取 55
3.6　本章小结 58
词性标注与命名实体识别 59
4.1　词性标注 59
4.1.1　词性标注简介 59
4.1.2　词性标注规范 60
4.1.3　Jieba分词中的词性标注 61
4.2　命名实体识别 63
4.2.1　命名实体识别简介 63
4.2.2　基于条件随机场的命名实体识别 65
4.2.3　实战一：日期识别 69
4.2.4　实战二：地名识别 75
4.3　总结 84
关键词提取算法 85
5.1　关键词提取技术概述 85
5.2　关键词提取算法TF/IDF算法 86
5.3　TextRank算法 88
5.4　LSA/LSI/LDA算法 91
5.4.1　LSA/LSI算法 93
5.4.2　LDA算法 94
5.5　实战提取文本关键词 95
5.6　本章小结 105
句法分析 106
6.1　句法分析概述 106
6.2　句法分析的数据集与评测方法 107
6.2.1　句法分析的数据集 108
6.2.2　句法分析的评测方法 109
6.3　句法分析的常用方法 109
6.3.1　基于PCFG的句法分析 110
6.3.3　基于CRF的句法分析 113
6.3.4　基于移进–归约的句法分析模型 113
6.4.1　Stanford Parser 115
6.4.2　基于PCFG的中文句法分析实战 116
6.5　本章小结 119
文本向量化 120
7.1　文本向量化概述 120
7.2　向量化算法word2vec 121
7.2.1　神经网络语言模型 122
7.2.2　C&W模型 124
7.2.3　CBOW模型和Skip-gram模型 125
7.3　向量化算法doc2vec/str2vec 127
7.4　案例：将网页文本向量化 129
7.4.1　词向量的训练 129
7.4.2　段落向量的训练 133
7.4.3　利用word2vec和doc2vec计算网页相似度 134
7.5　本章小结 139
情感分析技术 140
8.1　情感分析的应用 141
8.2　情感分析的基本方法 142
8.2.1　词法分析 143
8.2.2　机器学习方法 144
8.2.3　混合分析 144
8.3　实战电影评论情感分析 145
8.3.1　卷积神经网络 146
8.3.2　循环神经网络 147
8.3.3　长短时记忆网络 148
8.3.4　载入数据 150
8.3.5　辅助函数 154
8.3.6　模型设置 155
8.3.7　调参配置 158
8.3.8　训练过程 159
8.4　本章小结 159
NLP中用到的机器学习算法 160
9.1　简介 160
9.1.1　机器学习训练的要素 161
9.1.2　机器学习的组成部分 162
9.2　几种常用的机器学习方法 166
9.2.1　文本分类 166
9.2.2　特征提取 168
9.2.3　标注 169
9.2.4　搜索与排序 170
9.2.5　推荐系统 170
9.2.6　序列学习 172
9.3　分类器方法 173
9.3.1　朴素贝叶斯Naive Bayesian 173
9.3.2　逻辑回归 174
9.3.3　支持向量机 175
9.4　无监督学习的文本聚类 177
9.5　文本分类实战：中文垃圾邮件分类 180
9.5.1　实现代码 180
9.5.2　评价指标 187
9.7　本章小结 194
基于深度学习的NLP算法 195
10.1　深度学习概述 195
10.1.1　神经元模型 196
10.1.2　激活函数 197
10.1.3　感知机与多层网络 198
10.2　神经网络模型 201
10.3　多输出层模型 203
10.4　反向传播算法 204
10.5　最优化算法 208
10.5.1　梯度下降 208
10.5.2　随机梯度下降 209
10.5.3　批量梯度下降 210
10.6　丢弃法 211
10.7　激活函数 211
10.7.1　tanh函数 212
10.7.2　ReLU函数 212
10.8　实现BP算法 213
10.9　词嵌入算法 216
10.9.1　词向量 217
10.9.2　word2vec简介 217
10.9.3　词向量模型 220
10.9.4　CBOW和Skip-gram模型 222
《深度学习与图像识别：原理与实践》
前言
机器视觉在行业中的应用1
1.1　机器视觉的发展背景1
1.1.1　人工智能1
1.1.2　机器视觉2
1.2　机器视觉的主要应用场景3
1.2.1　人脸识别3
1.2.2　视频监控分析4
1.2.3　工业瑕疵检测5
1.2.4　图片识别分析6
1.2.5　自动驾驶/驾驶辅助7
1.2.6　三维图像视觉8
1.2.7　医疗影像诊断8
1.2.8　文字识别9
1.2.9　图像/视频的生成及设计9
1.3　本章小结10
图像识别前置技术11
2.1　深度学习框架11
2.1.1　Theano11
2.1.2　Tensorflow12
2.1.3　MXNet13
2.1.4　Keras13
2.1.5　PyTorch14
2.1.6　Caffe14
2.2　搭建图像识别开发环境15
2.2.1　Anaconda15
2.2.2　conda18
2.2.3　Pytorch的下载与安装19
2.3　Numpy使用详解20
2.3.1　创建数组20
2.3.2　创建Numpy数组22
2.3.3　获取Numpy属性24
2.3.4　Numpy数组索引25
2.3.5　切片25
2.3.6　Numpy中的矩阵运算26
2.3.7　数据类型转换27
2.3.8　Numpy的统计计算方法28
2.3.9　Numpy中的arg运算29
2.3.10　FancyIndexing29
2.3.11　Numpy数组比较30
2.4　本章小结31
图像分类之KNN算法32
3.1　KNN的理论基础与实现32
3.1.1　理论知识32
3.1.2　KNN的算法实现33
3.2　图像分类识别预备知识35
3.2.1　图像分类35
3.2.2　图像预处理36
3.3　KNN实战36
3.3.1　KNN实现MNIST数据分类36
3.3.2　KNN实现Cifar10数据分类41
3.4　模型参数调优44
3.5　本章小结48
机器学习基础49
4.1　线性回归模型49
4.1.1　一元线性回归50
4.1.2　多元线性回归56
4.2　逻辑回归模型57
4.2.1　Sigmoid函数58
4.2.2　梯度下降法59
4.2.3　学习率的分析61
4.2.4　逻辑回归的损失函数63
4.2.5　Python实现逻辑回归66
4.3　本章小结68
神经网络基础69
5.1　神经网络69
5.1.1　神经元70
5.1.2　激活函数72
5.1.3　前向传播76
5.2　输出层80
5.2.1　Softmax80
5.2.2　one-hotencoding82
5.2.3　输出层的神经元个数83
5.2.4　MNIST数据集的前向传播83
5.3　批处理85
5.4　广播原则87
5.5　损失函数88
5.5.1　均方误差88
5.5.2　交叉熵误差89
5.5.3　Mini-batch90
5.6　最优化91
5.6.1　随机初始化91
5.6.2　跟随梯度（数值微分）92
5.7　基于数值微分的反向传播98
5.8　基于测试集的评价101
5.9　本章小结104
误差反向传播105
6.1　激活函数层的实现105
6.1.1　ReLU反向传播实现106
6.1.2　Sigmoid反向传播实现106
6.2　Affine层的实现107
6.3　Softmaxwithloss层的实现108
6.4　基于数值微分和误差反向传播的比较109
6.5　通过反向传播实现MNIST识别111
6.6　正则化惩罚114
6.7　本章小结115
PyTorch实现神经网络图像分类116
7.1　PyTorch的使用116
7.1.1　Tensor116
7.1.2　Variable117
7.1.3　激活函数118
7.1.4　损失函数120
7.2　PyTorch实战122
7.2.1　PyTorch实战之MNIST分类122
7.2.2　PyTorch实战之Cifar10分类125
7.3　本章小结128
卷积神经网络129
8.1　卷积神经网络基础129
8.1.1　全连接层129
8.1.2　卷积层130
8.1.3　池化层134
8.1.4　批规范化层135
8.2　常见卷积神经网络结构135
8.2.1　AlexNet136
8.2.2　VGGNet138
8.2.3　GoogLeNet140
8.2.4　ResNet142
8.2.5　其他网络结构144
8.3　VGG16实现Cifar10分类145
8.3.1　训练146
8.3.2　预测及评估149
8.4　本章小结152
8.5　参考文献152
目标检测153
9.1　定位分类153
9.2　目标检测155
9.2.1　R-CNN156
9.2.2　Fast R-CNN160
9.2.3　Faster R-CNN162
9.2.4　YOLO165
9.2.5　SSD166
9.3　SSD实现VOC目标检测167
9.3.1　PASCAL VOC数据集167
9.3.2　数据准备170
9.3.3　构建模型175
9.3.4　定义Loss178
9.3.5　SSD训练细节181
9.3.6　训练186
9.3.7　测试189
9.4　本章小结190
9.5　参考文献191
分割192
10.1　语义分割193
10.1.1　FCN193
10.1.2　UNet实现裂纹分割196
10.1.3　SegNet209
10.1.4　PSPNet210
10.2　实例分割211
10.2.1　层叠式212
10.2.2　扁平式212
10.3　本章小结213
10.4　参考文献214
产生式模型215
11.1　自编码器215
11.2　对抗生成网络215
11.3　DCGAN及实战217
11.3.1　数据集218
11.3.2　网络设置220
11.3.3　构建产生网络221
11.3.4　构建判别网络223
11.3.5　定义损失函数224
11.3.6　训练过程224
11.3.7　测试227
11.4　其他GAN230
11.5　本章小结235
11.6　参考文献235
神经网络可视化236
12.1　卷积核236
12.2　特征层237
12.2.1　直接观测237
12.2.2　通过重构观测239
12.2.3　末端特征激活情况243
12.2.4　特征层的作用244
12.3　图片风格化245
12.3.1　理论介绍245
12.3.2　代码实现247
12.4　本章小结255
12.5　参考文献255
图像识别算法的部署模式257
13.1　图像算法部署模式介绍257
13.2　实际应用场景和部署模式的匹配262
13.3　案例介绍264
13.4　本章小结265

微信读书

阿里AI大牛带你学深度学习 图像识别与自然语言处理 套装共2册

简介

版权

阿里AI大牛带你学深度学习 图像识别与自然语言处理 套装共2册

阿里AI大牛带你学深度学习图像识别与自然语言处理套装共2册

阿里AI大牛带你学深度学习图像识别与自然语言处理套装共2册