دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Yoav Goldberg
سری: Synthesis Lectures on Human Language Technologies
ISBN (شابک) : 9781627052955
ناشر: Morgan & Claypool
سال نشر: 2017
تعداد صفحات: 282
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Neural Network Methods for Natural Language Processing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب روش های شبکه عصبی برای پردازش زبان طبیعی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
شبکه های عصبی خانواده ای از مدل های قدرتمند یادگیری ماشین 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.
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.
Preface Acknowledgments 1 Introduction PART I Supervised Classification and Feed-forward Neural Networks 2 Learning Basics and Linear Models 3 From Linear Models to Multi-layer Perceptrons 4 Feed-forward Neural Networks 5 Neural Network Training PART II Working with Natural Language Data 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 PART III Specialized Architectures 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 PART IV Additional Topics 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