[套装书]聊天机器人：入门、进阶与实战+Python3智能数据分析快速入门（2册）

作者
刘宇 崔燕红 郭师光 党习歌李明江 张良均 周东平 张尚佳
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911051011
简要
简介
内容简介书籍计算机书籍 ---------------------------聊天机器人：入门、进阶与实战--------------------------- 本书是一本建立在零基础的，以介绍对话机器人领域为目的，通过书中的内容介绍让更多对对话机器人感兴趣的初级读者，可以由浅入深，了解和学习对话机器人的发展现状，用途，原理和技术。 主要内容： 第一部分 数学与统计学基础 数学与统计学是现代机器学习理论的基础，本书会对机器学习中重点涉及的数学与统计学知识做一下整理，方便读者了解和掌握，以便可以顺利的过渡到后面专业知识的理解。 第二部分 自然语言处理模型与技术 对话机器人是以自然语言处理为发展的一个专业领域，基础的自然语言处理模型与技术对于学习后面的专业知识是必要的。本书通过先介绍自然语言处理模型，然后对依赖这个模型所扩展出的自然语言处理技术做详细介绍。使得初学者可以从数学理论到模型，从模型到技术的理论结合实际的方式，学好本书的内容 第三部分 对话机器人的核心技术 在对话机器人的核心技术章节，我们先介绍 1.对话机器人的发展综述。 2.自然语言理解NLU的部分，让读者可以更加清晰的认识到Intent (目的)识别和 Entities （命名实体）识别的重要性。为了更加了解一句话中各个实体间的形容和被形容关系，我们引入句法树和依存句法分析的概念。这样机器人就可以简单的弄清一句话说的是什么，和各个实体间的关系。 3.为了让机器像人类一样可以有更多的知识积累和进行简单的逻辑推理，我们接下来要介绍知识图谱。这里我们重点介绍知识图谱的模型，知识抽取，知识图谱数据库的搭建和存储，以及在简单的了解到Intent和各个实体间关系后，如何根据知识图谱进行推理计算和理解 4.在对句子有了一定的深入理解后，我们需要介绍预测会话和答复生成。在机器理解了问题的内容后，如何给出精确的答复。这里会介绍用于客服机器人的Question to Question 的匹配来得到预先准备好的标准答案。也会介绍通话自然语言理解利用知识图谱得到生成答案，以及通过互联网检索的方式，得到置信度较高的问题答案。最后还会了解如何存储我们学到的问题和答案的配对。 5.在机器学会了一问一答后，我们需要介绍 1.根据上下文理解的对话生成。 . 2.多轮对话的控制和生成。 3.多主题多轮对话的切换。 6.人机对话过程中的情感计算 1.设计情感计算的对话场景 2.情感计算的建模与识别 3.根据情感计算生成带情感色彩的回复 第四部分 对话机器人实战 本书的第四个部分会详细分以下三个方面阐述 1.实战对话机器人的架构 2.对话机器人的开发流程和方案 3.对话机器人的开发案例 在对话机器人的开发案例里面，我们会介绍： 1.垂直领域的客服机器人 2.开放领域的知识问答类型机器人 3.闲聊型的情感机器人 第五部分 附录 附录里会有我们总结的机器学习的模型列表，自然语言模型列表，深度学习的模型列表以及每一章的实战代码 ---------------------------Python3智能数据分析快速入门--------------------------- 内容简介 本书以Python相关技术为工具，讲解了如何基于机器学习等AI技术进行智能数据分析。 作者在Python数据挖掘与分析领域有10余年的工作经验，对AI技术驱动的智能数据分析有非常深入的研究。本书面向没有Python编程基础和AI技术基础的读者，由浅入深地提供了系统的Python智能数据分析的技术和方法。 全书共9章，从逻辑上可分为两个部分： 第一部分：Python编程基础（1~4章） 这部分详细介绍了从事Python编程需要掌握的各种基础知识，包括开发环境的搭建与配置，以及各种语法和常见Python库的原理和使用方法。 第二部分：智能数据分析（第5~9章） 这部分对Python的数值分析库NumPy、数据处理库pandas、绘图库Matplotlib/Seaborn/Bokeh、机器学习与数据分析建模库scikit-lear等进行了详细地讲解，包含数据读取、数据预处理、模型构建、模型评价、结果可视化等整个数据分析的过程，能指导读者快速入门Python智能数据分析。
目录



---------------------------聊天机器人：入门、进阶与实战---------------------------


推荐序一
推荐序二
前言
第1章概率统计与应用数学的基础知识
1.1概率的定义
1.2条件概率与贝叶斯公式
1.3随机变量与分布函数
1.4概率分布与参数估计
1.5随机过程与马尔可夫模型
1.6信息熵
1.7本章小结
第2章语言模型与多元文法
2.1词袋模型
2.2N-Gram模型
2.2.1N-Gram简介
2.2.2N-Gram算法
2.2.3N-Gram用途
2.3数据平滑
2.3.1加法平滑方法
2.3.2Good-Turing估计法
2.3.3组合平滑方法
第3章序列标注模型
3.1中文分词
3.1.1条件随机场
3.1.2条件随机场进行中文分词
3.2词性标注
3.2.1词性标注的标准
3.2.2利用隐马尔可夫进行词性标注
3.3命名实体识别
3.3.1利用条件随机场模型进行命名实体识别
3.3.2命名实体识别在对话系统中的作用
3.4序列标注模型
3.5本章小结
第4章文本分析
4.1关键词抽取
4.1.1词频-逆文档频次算法
4.1.2Text Rank
4.2文本分类
4.2.1贝叶斯文本分类模型
4.2.2决策树文本分类模型
4.2.3SVM文本分类模型
4.3主题模型
4.3.1基础知识回顾
4.3.2吉布斯采样
4.3.3隐狄利克雷分配模型
4.4本章小结
第5章深度学习模型
5.1基于深度学习的自然语言模型
5.1.1神经网络自然语言模型与词向量
5.1.2A Neural Probabilistic Language Model
5.1.3CBOW和Skip-Gram
5.1.4Huffman编码与Huffman tree
5.1.5CBOW-Hierarchical Softmax
5.1.6Skip-Gram-Hierarchical Softmax
5.1.7FastText
5.1.8词的全局向量表示
5.2卷积网络CNN
5.2.1卷积网络CNN理论
5.2.2利用CNN进行文本分类
5.3循环网络RNN
5.3.1循环网络RNN（LSTM，GRU）理论
5.3.2利用RNN 进行情感分析
5.3.3Sequence-to-Sequence with Attention Model
5.4Transformer
5.4.1ResNet（Residual Network）残差网络模型
5.4.2Attention is all you need（Transformer）
5.5预训练模型
5.5.1Embeddings from Language Models（ELMo）
5.5.2BERT
第6章对话机器人的发展综述
6.1对话机器人发展史
6.1.1对话机器人的近况
6.1.2开放域
6.1.3垂直领域
6.1.4对话机器人的未来发展趋势
6.2人工智能在对话机器人中的应用
6.2.1深度学习在机器人方面的应用
6.2.2强化学习在机器人方面的应用
6.2.3知识图谱在机器人方面的应用
第7章自然语言理解与知识图谱
7.1知识图谱的表示：三元组模型
7.2知识抽取
7.2.1知识抽取-命名实体识别
7.2.2利用CRF模型识别 NER
7.2.3利用BiLSTM+CRF模型进行命名实体识别
7.3知识抽取-实体关系抽取：Relation Extraction
7.4知识图谱的构建
第8章答案生成与多轮对话
8.1预测会话与答案生成
8.1.1信息检索：利用搜索来预测答案
8.1.2句型模板匹配标准问题生成答案
8.1.3根据知识图谱推理得到答案
8.2多轮对话
8.2.1多轮对话概述
8.2.2任务型多轮对话的控制和生成
8.2.3多主题多轮对话
第9章对话系统的工程架构
9.1对话系统的工程技术
9.1.1常用技术
9.1.2对话系统的分类
9.1.3主要系统软件介绍
9.1.4系统运维相关
9.2对话系统的架构实现
9.2.1阿里小蜜
9.2.2百度对话系统
9.2.3垂直领域对话系统的架构
9.2.4开放领域对话系统的架构
9.3本章小结
第10章实战场景之一——客服机器人
10.1客服机器人架构
10.1.1功能需求
10.1.2系统逻辑架构图
10.2客服机器人设计
10.2.1FAQ的设计
10.2.2导购机器人的设计
10.2.3实例分析
10.3本章小结
第11章实战场景之二——开放域的QA问答
11.1开放领域问答机器人的架构
11.2开放领域问答机器人的开发流程和方案
11.3开放领域问答机器人的开发案例
第12章实战场景之三——聊天机器人
12.1Seq2Seq以及Attention机制
12.2Beam Search
12.3基于Seq2Seq的聊天机器人开发流程
12.3.1语料准备
12.3.2定义Encoder和Decoder
12.3.3模型训练和评估模块
12.3.4模型预测和Beam Search模块
12.4本章小结


---------------------------Python3智能数据分析快速入门---------------------------


前言
第1章　Python概述 1
1.1　Python语言介绍 1
1.1.1　Python的发展史 1
1.1.2　Python特性 2
1.1.3　Python应用领域 3
1.1.4　Python机器学习优势 6
1.2　Python环境配置 8
1.2.1　Python 2还是Python 3 8
1.2.2　Anaconda简介 8
1.2.3　安装Anaconda 3 9
1.3　Python的解释器与IDE 12
1.3.1　Python的解释器 13
1.3.2　Python各IDE比较 13
1.3.3　PyCharm的安装与使用 16
1.3.4　Jupyter Notebook的使用 26
小结 32
课后习题 33
第2章　Python基础知识 34
2.1　固定语法 34
2.1.1　声明与注释 34
2.1.2　缩进与多行语句 36
2.1.3　保留字符与赋值 38
2.2　运算符 40
2.2.1　算术运算符 40
2.2.2　赋值运算符 41
2.2.3　比较运算符 43
2.2.4　逻辑运算符 44
2.2.5　按位运算符 44
2.2.6　身份运算符 45
2.2.7　成员运算符 46
2.2.8　运算符优先级 47
2.3　数据类型 48
2.3.1　基础数据类型 48
2.3.2　复合数据类型 55
2.4　Python I/O 63
2.4.1　input与print 64
2.4.2　文件I/O 67
小结 70
课后习题 70
第3章　控制语句 72
3.1　条件语句 72
3.1.1　if、elif与else 73
3.1.2　try、except与else 76
3.2　循环语句 80
3.2.1　for 81
3.2.2　while 83
3.2.3　break、continue与pass 85
3.2.4　列表推导式 89
小结 91
课后习题 91
第4章　函数与对象 94
4.1　函数 94
4.1.1　内置函数 94
4.1.2　自定义函数 101
4.1.3　匿名函数 107
4.2　对象 109
4.2.1　面向对象简介 109
4.2.2　属性与方法 110
4.2.3　装饰器 116
4.2.4　继承和多态 119
4.3　Python常用库安装 126
4.3.1　第三方库安装 126
4.3.2　第三方库导入 130
4.3.3　第三方库创建 131
小结 132
课后习题 133
第5章　NumPy数值计算 135
5.1　ndarray创建与索引 135
5.1.1　创建ndarray对象 135
5.1.2　ndarray的索引与切片 142
5.2　ndarray的基础操作 145
5.2.1　变换ndarray的形态 145
5.2.2　排序与搜索 151
5.2.3　字符串操作 156
5.3　ufunc 159
5.3.1　ufunc的广播机制 159
5.3.2　常用ufunc 160
5.4　matrix与线性代数 169
5.4.1　创建NumPy矩阵 169
5.4.2　矩阵的属性和基本运算 170
5.4.3　线性代数运算 172
5.5　NumPy文件读写 175
5.5.1　二进制文件读写 175
5.5.2　文件列表形式数据读写 178
小结 180
课后习题 180
第6章　pandas基础 182
6.1　pandas常用类 182
6.1.1　Series 182
6.1.2　DataFrame 187
6.1.3　Index 191
6.2　DataFrame基础操作 193
6.2.1　索引 193
6.2.2　排序 201
6.2.3　合并 204
6.3　其他数据类型操作 210
6.3.1　时间操作 210
6.3.2　文本操作 220
6.3.3　category操作 223
小结 227
课后习题 227
第7章　pandas进阶 229
7.1　数据读取与写入 229
7.1.1　CSV 229
7.1.2　Excel 231
7.1.3　数据库 233
7.2　DataFrame进阶 235
7.2.1　统计分析 235
7.2.2　分组运算 242
7.2.3　透视表和交叉表 248
7.3　数据准备 250
7.3.1　缺失值处理 251
7.3.2　重复数据处理 255
7.3.3　连续特征离散化处理 256
7.3.4　哑变量处理 259
小结 260
课后习题 260
第8章　绘图 263
8.1　Matplotlib绘图基础 263
8.1.1　编码风格 263
8.1.2　动态rc参数 267
8.1.3　散点图 273
8.1.4　折线图 276
8.1.5　饼图 278
8.1.6　直方图与条形图 280
8.1.7　箱线图 282
8.2　Seaborn进阶绘图 285
8.2.1　Seaborn基础 285
8.2.2　关系图 301
8.2.3　分类图 311
8.2.4　分布图 329
8.2.5　回归图 334
8.2.6　矩阵图 341
8.2.7　网格图 345
8.3　Bokeh交互式绘图 356
8.3.1　基本构成与语法 356
8.3.2　常见图形绘制 370
8.3.3　导出与嵌入 375
8.3.4　运行Bokeh应用程序 379
小结 381
习题 381
第9章　scikit-learn 383
9.1　数据准备 383
9.1.1　标准化 383
9.1.2　归一化 387
9.1.3　二值化 388
9.1.4　独热编码 389
9.2　降维 391
9.2.1　PCA 392
9.2.2　随机投影 396
9.2.3　字典学习 402
9.2.4　独立成分分析 408
9.2.5　非负矩阵分解 412
9.2.6　线性判别分析 416
9.3　聚类 420
9.3.1　K-Means 421
9.3.2　层次聚类 424
9.3.3　DBSCAN 427
9.3.4　高斯混合模型 430
9.4　分类 434
9.4.1　Logistic回归 435
9.4.2　支持向量机 439
9.4.3　决策树 443
9.4.4　最近邻 447
9.4.5　朴素贝叶斯 450
9.4.6　随机森林 452
9.4.7　多层感知机 456
9.5　回归 460
9.5.1　最小二乘回归 461
9.5.2　岭回归 464
9.5.3　Lasso回归 466
9.5.4　决策树回归 468
9.5.5　随机森林回归 471
9.5.6　多层感知机回归 473
9.6　模型选择 476
9.6.1　数据集划分 476
9.6.2　交叉验证 478
9.6.3　自动调参 479
9.6.4　模型评估 481
小结 486
课后习题 487




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4