[套装书]Python人工智能项目实战+自然语言处理Python进阶（2册）

作者
[印度] 桑塔努·帕塔纳亚克（Santanu Pattanayak）[印度]克里希纳·巴夫萨（Krishna Bhavsar） 纳雷什·库马尔（Naresh Kumar） 普拉塔普·丹蒂（Pratap Dangeti）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911191546
简要
简介
内容简介书籍计算机书籍 ---------------------------Python人工智能项目实战--------------------------- 通过结合深度学习和强化学习，帮助你构建智能而且实用的人工智能系统。本书涉及的项目涵盖众多领域，例如医疗健康、电子商务、专家系统、智能安防、移动应用和自动驾驶，使用的技术包括卷积神经网络、深度强化学习、基于LSTM的RNN、受限玻尔兹曼机、生成对抗网络、机器翻译和迁移学习。本书有关构建智能应用的理论知识将帮助读者使用有趣的方法来拓展项目，令其快速创建有影响力的AI应用。读完本书之后，你将有足够的能力建立自己的智能模型，轻松地解决来自任何领域的问题。 ---------------------------自然语言处理Python进阶--------------------------- 这本书将从一个实用的角度让你从头开始理解和实现NLP解决方案,将从访问内置数据源和创建自己的数据源开始带你踏上一段旅程。到时候将可以编写复杂的NLP解决方案，包括文本规范化、预处理、词性标注、句法解析等。
目录



---------------------------Python人工智能项目实战---------------------------


译者序
前言
作者简介
审校者简介
第1章　人工智能系统基础知识 1
1.1　神经网络 2
1.2　神经激活单元 5
1.2.1　线性激活单元 5
1.2.2　sigmoid激活单元 6
1.2.3　双曲正切激活函数 6
1.2.4　修正线性单元 7
1.2.5　softmax激活单元 9
1.3　用反向传播算法训练神经网络 9
1.4　卷积神经网络 12
1.5　循环神经网络 13
1.6　生成对抗网络 16
1.7　强化学习 18
1.7.1　Q学习 19
1.7.2　深度Q学习 20
1.8　迁移学习 21
1.9　受限玻尔兹曼机 22
1.10　自编码器 23
1.11　总结 24
第2章　迁移学习 26
2.1　技术要求 26
2.2　迁移学习简介 27
2.3　迁移学习和糖尿病视网膜病变检测 28
2.4　糖尿病视网膜病变数据集 29
2.5　定义损失函数 30
2.6　考虑类别不平衡问题 31
2.7　预处理图像 32
2.8　使用仿射变换生成额外数据 33
2.8.1　旋转 34
2.8.2　平移 34
2.8.3　缩放 35
2.8.4　反射 35
2.8.5　通过仿射变换生成额外的图像 36
2.9　网络架构 36
2.9.1　VGG16迁移学习网络 38
2.9.2　InceptionV3迁移学习网络 39
2.9.3　ResNet50迁移学习网络 39
2.10　优化器和初始学习率 40
2.11　交叉验证 40
2.12　基于验证对数损失的模型检查点 40
2.13　训练过程的Python实现 41
2.14　类别分类结果 50
2.15　在测试期间进行推断 50
2.16　使用回归而非类别分类 52
2.17　使用keras sequential工具类生成器 53
2.18　总结 57
第3章　神经机器翻译 58
3.1　技术要求 59
3.2　基于规则的机器翻译 59
3.2.1　分析阶段 59
3.2.2　词汇转换阶段 60
3.2.3　生成阶段 60
3.3　统计机器学习系统 60
3.3.1　语言模型 61
3.3.2　翻译模型 63
3.4　神经机器翻译 65
3.4.1　编码器–解码器模型 65
3.4.2　使用编码器–解码器模型进行推断 66
3.5　实现序列到序列的神经机器翻译 67
3.5.1　处理输入数据 67
3.5.2　定义神经翻译机器的模型 71
3.5.3　神经翻译机器的损失函数 73
3.5.4　训练模型 73
3.5.5　构建推断模型 74
3.5.6　单词向量嵌入 78
3.5.7　嵌入层 79
3.5.8　实现基于嵌入的NMT 79
3.6　总结 84
第4章　基于GAN的时尚风格迁移 85
4.1　技术要求 85
4.2　DiscoGAN 86
4.3　CycleGAN 88
4.4　学习从手绘轮廓生成自然手提包 89
4.5　预处理图像 89
4.6　DiscoGAN的生成器 91
4.7　DiscoGAN的判别器 93
4.8　构建网络和定义损失函数 94
4.9　构建训练过程 97
4.10　GAN训练中的重要参数值 99
4.11　启动训练 100
4.12　监督生成器和判别器的损失 101
4.13　DiscoGAN生成的样例图像 103
4.14　总结 104
第5章　视频字幕应用 105
5.1　技术要求 105
5.2　视频字幕中的CNN和LSTM 106
5.3　基于序列到序列的视频字幕系统 107
5.4　视频字幕系统数据集 109
5.5　处理视频图像以创建CNN特征 110
5.6　处理视频的带标签字幕 113
5.7　构建训练集和测试集 114
5.8　构建模型 115
5.8.1　定义模型的变量 116
5.8.2　编码阶段 117
5.8.3　解码阶段 117
5.8.4　计算小批量损失 118
5.9　为字幕创建单词词汇表 118
5.10　训练模型 119
5.11　训练结果 123
5.12　对未见过的视频进行推断 124
5.12.1　推断函数 126
5.12.2　评估结果 127
5.13　总结 128
第6章　智能推荐系统 129
6.1　技术要求 129
6.2　什么是推荐系统 129
6.3　基于潜在因子分解的推荐系统 131
6.4　深度学习与潜在因子协同过滤 132
6.5　SVD++ 136
6.6　基于受限玻尔兹曼机的推荐系统 138
6.7　对比分歧 139
6.8　使用RBM进行协同过滤 140
6.9　使用RBM实现协同过滤 142
6.9.1　预处理输入 143
6.9.2　构建RBM网络进行协作过滤 144
6.9.3　训练RBM 147
6.10　使用训练好的RBM进行推断 149
6.11　总结 150
第7章　用于电影评论情感分析的移动应用程序 151
7.1　技术要求 152
7.2　使用TensorFlow mobile构建Android移动应用程序 152
7.3　Android应用中的电影评论评分 153
7.4　预处理电影评论文本 154
7.5　构建模型 156
7.6　训练模型 157
7.7　将模型冻结为protobuf格式 159
7.8　为推断创建单词到表征的字典 161
7.9　应用程序交互界面设计 162
7.10　Android应用程序的核心逻辑 164
7.11　测试移动应用 168
7.12　总结 170
第8章　提供客户服务的AI聊天机器人 171
8.1　技术要求 172
8.2　聊天机器人的架构 172
8.3　基于LSTM的序列到序列模型 173
8.4　建立序列到序列模型 174
8.5　Twitter平台上的聊天机器人 174
8.5.1　构造聊天机器人的训练数据 175
8.5.2　将文本数据转换为单词索引 175
8.5.3　替换匿名用户名 176
8.5.4　定义模型 176
8.5.5　用于训练模型的损失函数 178
8.5.6　训练模型 179
8.5.7　从模型生成输出响应 180
8.5.8　所有代码连起来 180
8.5.9　开始训练 181
8.5.10　对一些输入推特的推断结果 181
8.6　总结 182
第9章　基于增强学习的无人驾驶 183
9.1　技术要求 183
9.2　马尔科夫决策过程 184
9.3　学习Q值函数 185
9.4　深度Q学习 186
9.5　形式化损失函数 186
9.6　深度双Q学习 187
9.7　实现一个无人驾驶车的代码 189
9.8　深度Q学习中的动作离散化 189
9.9　实现深度双Q值网络 190
9.10　设计智能体 191
9.11　自动驾驶车的环境 194
9.12　将所有代码连起来 197
9.13　训练结果 202
9.14　总结 203
第10章　从深度学习的角度看CAPTCHA 204
10.1　技术要求 205
10.2　通过深度学习破解CAPTCHA 205
10.2.1　生成基本的CAPTCHA 205
10.2.2　生成用于训练CAPTCHA破解器的数据 206
10.2.3　CAPTCHA破解器的CNN架构 208
10.2.4　预处理CAPTCHA图像 208
10.2.5　将CAPTCHA字符转换为类别 209
10.2.6　数据生成器 210
10.2.7　训练CAPTCHA破解器 211
10.2.8　测试数据集的准确性 212
10.3　通过对抗学习生成CAPTCHA 214
10.3.1　优化GAN损失 215
10.3.2　生成器网络 215
10.3.3　判别器网络 216
10.3.4　训练GAN 219
10.3.5　噪声分布 220
10.3.6　数据预处理 220
10.3.7　调用训练 221
10.3.8　训练期间CAPTCHA的质量 222
10.3.9　使用训练后的生成器创建CAPTCHA 224
10.4　总结 225



---------------------------自然语言处理Python进阶---------------------------


译者序
前言
作者简介
审校者简介
第1章　语料库和WordNet 1
1.1　引言 1
1.2　访问内置语料库 1
1.3　下载外部语料库，加载并访问 3
1.4　计算布朗语料库中三种不同类别的特殊疑问词 5
1.5　探讨网络文本和聊天文本的词频分布 7
1.6　使用WordNet进行词义消歧 9
1.7　选择两个不同的同义词集，使用WordNet探讨上位词和下位词的概念 12
1.8　基于WordNet计算名词、动词、形容词和副词的平均多义性 15
第2章　针对原始文本，获取源数据和规范化 17
2.1　引言 17
2.2　字符串操作的重要性 17
2.3　深入实践字符串操作 19
2.4　在Python中读取PDF文件 21
2.5　在Python中读取Word文件 23
2.6　使用PDF、DOCX和纯文本文件，创建用户自定义的语料库 26
2.7　读取RSS信息源的内容 29
2.8　使用BeautifulSoup解析HTML 31
第3章　预处理 34
3.1　引言 34
3.2　分词——学习使用NLTK内置的分词器 34
3.3　词干提取——学习使用NLTK内置的词干提取器 36
3.4　词形还原——学习使用NLTK中的WordnetLemmatizer函数 38
3.5　停用词——学习使用停用词语料库及其应用 40
3.6　编辑距离——编写计算两个字符串之间编辑距离的算法 42
3.7　处理两篇短文并提取共有词汇 44
第4章　正则表达式 50
4.1　引言 50
4.2　正则表达式——学习使用*、+和？ 50
4.3　正则表达式——学习使用$和^，以及如何在单词内部（非开头与结尾处）进行模式匹配 52
4.4　匹配多个字符串和子字符串 54
4.5　学习创建日期正则表达式和一组字符集合或字符范围 56
4.6　查找句子中所有长度为5的单词，并进行缩写 58
4.7　学习编写基于正则表达式的分词器 59
4.8　学习编写基于正则表达式的词干提取器 60
第5章　词性标注和文法 63
5.1　引言 63
5.2　使用内置的词性标注器 63
5.3　编写你的词性标注器 65
5.4　训练你的词性标注器 70
5.5　学习编写你的文法 73
5.6　编写基于概率的上下文无关文法 76
5.7　编写递归的上下文无关文法 79
第6章　分块、句法分析、依存分析 82
6.1　引言 82
6.2　使用内置的分块器 82
6.3　编写你的简单分块器 84
6.4　训练分块器 87
6.5　递归下降句法分析 90
6.6　shift-reduce句法分析 93
6.7　依存句法分析和主观依存分析 95
6.8　线图句法分析 97
第7章　信息抽取和文本分类 101
7.1　引言 101
7.2　使用内置的命名实体识别工具 102
7.3　创建字典、逆序字典和使用字典 104
7.4　特征集合选择 109
7.5　利用分类器分割句子 113
7.6　文本分类 116
7.7　利用上下文进行词性标注 120
第8章　高阶自然语言处理实践 124
8.1　引言 124
8.2　创建一条自然语言处理管道 124
8.3　解决文本相似度问题 131
8.4　主题识别 136
8.5　文本摘要 140
8.6　指代消解 143
8.7　词义消歧 147
8.8　情感分析 150
8.9　高阶情感分析 153
8.10　创建一个对话助手或聊天机器人 157
第9章　深度学习在自然语言处理中的应用 163
9.1　引言 163
9.2　利用深度神经网络对电子邮件进行分类 168
9.3　使用一维卷积网络进行IMDB情感分类 175
9.4　基于双向LSTM的IMDB情感分类模型 179
9.5　利用词向量实现高维词在二维空间的可视化 183
第10章　深度学习在自然语言处理中的高级应用 188
10.1　引言 188
10.2　基于莎士比亚的著作使用LSTM技术自动生成文本 188
10.3　基于记忆网络的情景数据问答 193
10.4　使用循环神经网络LSTM进行语言建模以预测最优词 199
10.5　使用循环神经网络LSTM构建生成式聊天机器人 203




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4