Przetwarzanie języka naturalnego w akcji

Spis treści książki

• Okładka
• Strona tytułowa
• Strona redakcyjna
• Spis treści
• wprowadzenie
• wstęp
• podziękowania
• o książce
• o autorach
• o ilustracji na okładce
• Część 1. Mówiące maszyny
  • 1. Pakiety myśli (przegląd NLP)
    • 1.1. Język naturalny a język programowania
    • 1.2. Magia
      • 1.2.1. Maszyny prowadzące konwersację
      • 1.2.2. Matematyka
    • 1.3. Zastosowania praktyczne
    • 1.4. Język widziany oczyma komputera
      • 1.4.1. Język zamków
      • 1.4.2. Wyrażenia regularne
      • 1.4.3. Prosty chatbot
      • 1.4.4. Inny sposób
    • 1.5. Krótkie spojrzenie na hiperprzestrzeń
    • 1.6. Kolejność słów i gramatyka
    • 1.7. Potok języka naturalnego chatbota
    • 1.8. Szczegóły przetwarzania
    • 1.9. IQ języka naturalnego
  • 2. Zbuduj swój słownik (tokenizacja słów)
    • 2.1. Wyzwania (wprowadzenie do stemmingu)
    • 2.2. Tworzenie swojego słownika za pomocą tokenizatora
      • 2.2.1. Iloczyn skalarny
      • 2.2.2. Pomiar nakładania się wektorów BoW
      • 2.2.3. Poprawianie tokenów
        • Jak działają wyrażenia regularne
        • Poprawione wyrażenia regularne do podziału słów
        • Formy skrócone
      • 2.2.4. Rozszerzenie słownika za pomocą n-gramów
        • N-gramy
        • Stop listy
      • 2.2.5. Normalizacja słownika
        • Ujednolicanie wielkości liter
        • Stemming
        • Lematyzacja
        • Przypadki użycia
    • 2.3. Wydźwięk
      • 2.3.1. VADER analizator wydźwięku oparty na regułach
      • 2.3.2. Naiwny klasyfikator bayesowski
  • 3. Matematyka na słowach (wektory TD-IDF)
    • 3.1. Wektor BoW
    • 3.2. Wektoryzacja
      • 3.2.1. Przestrzenie wektorowe
    • 3.3. Prawo Zipfa
    • 3.4. Modelowanie tematyczne
      • 3.4.1. Powrót Zipfa
      • 3.4.2. Ranking trafności
      • 3.4.3. Narzędzia
      • 3.4.4. Inne możliwości
      • 3.4.5. Okapi BM25
      • 3.4.6. Co dalej
  • 4. Odnajdowanie znaczenia w licznikach słów (analiza semantyczna)
    • 4.1. Od liczników słów do wyników dla tematów
      • 4.1.1. Wektory TF-IDF i lematyzacja
      • 4.1.2. Wektory tematyczne
      • 4.1.3. Eksperyment myślowy
      • 4.1.4. Algorytm do oceny tematów
        • Kuzyni LSA
      • 4.1.5. Klasyfikator LDA
        • Inny kuzyn
    • 4.2. Analiza utajonych własności semantycznych (LSA)
      • 4.2.1. Wasz eksperyment myślowy staje się prawdziwy
        • Gra w Mad libs
    • 4.3. Rozkład według wartości osobliwej
      • 4.3.1. U  lewostronne wektory osobliwe
      • 4.3.2. S wartości osobliwe
      • 4.3.3. V T prawostronne wektory osobliwe
      • 4.3.4. Orientacja macierzy SVD
      • 4.3.5. Obcinanie tematów
    • 4.4. Analiza głównych składowych
      • 4.4.1. PCA dla wektorów 3D
      • 4.4.2. Przestańmy szaleć i wróćmy do NLP
      • 4.4.3. Stosowanie PCA do semantycznej analizy komunikatów SMS
      • 4.4.4. Używanie obciętego SVD do analizy semantycznej komunikatu SMS
      • 4.4.5. Jak dobrze działa LSA przy klasyfikacji spamu
        • Rozszerzenia LSA i SVD
    • 4.5. Ukryta alokacja Dirichleta (LDiA)
      • 4.5.1. Idea LDiA
      • 4.5.2. Model tematyczny LDiA dla komunikatów SMS
      • 4.5.3. LDiA + LDA = klasyfikator spamu
      • 4.5.4. Uczciwsze porównanie: 32 tematy LDiA
    • 4.6. Odległość i podobieństwo
    • 4.7. Sterowanie za pomocą informacji zwrotnej
      • 4.7.1. Liniowa analiza dyskryminacyjna
    • 4.8. Moc wektorów tematycznych
      • 4.8.1. Wyszukiwanie semantyczne
      • 4.8.2. Ulepszenia
• Część 2. Głębsze uczenie się (sieci neuronowe)
  • 5. Sieci neuronowe krok po kroku (perceptrony i propagacja wsteczna)
    • 5.1. Sieci neuronowe lista składników
      • 5.1.1. Perceptron
      • 5.1.2. Perceptron numeryczny
      • 5.1.3. Zboczenie z drogi spowodowane odchyleniem
        • Neuron w Pythonie
        • Klasa tkwi w sesji
        • Uczenie się logiki to czysta frajda
        • Następny krok
        • Koniec drugiej zimy sztucznej inteligencji
        • Propagacja wsteczna
        • Zróżniczkujmy wszystko
      • 5.1.4. Poszusujmy powierzchnia błędu
      • 5.1.5. Z wyciągu prosto na stok
      • 5.1.6. Udoskonalmy to nieco
      • 5.1.7. Keras: sieci neuronowe w Pythonie
      • 5.1.8. Wprzód i w głąb
      • 5.1.9. Normalizacja: stylowe wejście
  • 6. Wnioskowanie przy użyciu wektorów słów (Word2vec)
    • 6.1. Zapytania semantyczne i analogie
      • 6.1.1. Pytania o analogię
    • 6.2. Wektory słów
      • 6.2.1. Wnioskowanie zorientowane wektorowo
        • Jeszcze więcej powodów, by korzystać z wektorów słów
      • 6.2.2. Jak obliczać reprezentacje Word2vec
        • Podejście skip-gram
        • Czym jest softmax?
        • W jaki sposób sieć uczy się reprezentacji wektorowej?
        • Odnajdywanie wektorów słów za pomocą algebry liniowej
        • Podejście z ciągłym BoW
        • Skip-gram a CBoW. Kiedy korzystać z którego podejścia?
        • Triki obliczeniowe Word2vec
        • Częste bigramy
        • Podpróbkowanie często występujących tokenów
        • Próbkowanie negatywne
      • 6.2.3. Jak korzystać z modułu gensim.word2vec
      • 6.2.4. Jak wygenerować własne reprezentacje wektorów słów
        • Kroki przetwarzania wstępnego
        • Szkolenie dziedzinowego modelu Word2vec
      • 6.2.5. Word2vec a GloVe (Global Vectors)
      • 6.2.6. fastText
        • Jak korzystać z gotowych modeli fastText
      • 6.2.7. Word2vec a LSA
      • 6.2.8. Wizualizacja związków między słowami
      • 6.2.9. Nienaturalne słowa
      • 6.2.10. Doc2vec i podobieństwo dokumentów
        • Jak wyuczyć wektory dokumentów
  • 7. Kolejność słów i konwolucyjne sieci neuronowe (CNN)
    • 7.1. Uczenie się znaczenia
    • 7.2. Zestaw narzędzi
    • 7.3. Konwolucyjne sieci neuronowe
      • 7.3.1. Elementy składowe
      • 7.3.2. Długość kroku
      • 7.3.3. Budowa filtra
      • 7.3.4. Uzupełnianie
        • Potok konwolucyjny
      • 7.3.5. Uczenie
    • 7.4. Zaiste, wąskie okna
      • 7.4.1. Implementacja w Kerasie: przygotowanie danych
      • 7.4.2. Architektura konwolucyjnej sieci neuronowej
      • 7.4.3. Warstwa łącząca (pooling)
      • 7.4.4. Dropout
      • 7.4.5. Wisienka na torcie
        • Optymalizacja
        • Dopasowanie (fit)
      • 7.4.6. Czas zabrać się za naukę (trening)
      • 7.4.7. Użycie modelu w potoku
      • 7.4.8. Gdzie pójdziecie dalej?
  • 8. Zapętlone (rekurencyjne) sieci neuronowe (RNN)
    • 8.1. Zapamiętywanie za pomocą sieci rekurencyjnych
      • 8.1.1. Propagacja wsteczna przez czas
        • Tl;Dr Krótka rekapitulacja
      • 8.1.2. Kiedy i co aktualizować?
        • Czy jednak obchodzi was to, co wyszło z wcześniejszych kroków?
      • 8.1.3. Rekapitulacja
      • 8.1.4. Zawsze jest jakiś haczyk
      • 8.1.5. Rekurencyjne sieci neuronowe z Kerasem
    • 8.2. Składanie w całość
    • 8.3. Nauczmy się czegoś o przeszłości
    • 8.4. Hiperparametry
    • 8.5. Przewidywanie
      • 8.5.1. Stanowość
      • 8.5.2. Ulica dwukierunkowa
      • 8.5.3. Co to takiego?
  • 9. Lepsza pamięć dzięki sieciom LSTM
    • 9.1. LSTM
      • 9.1.1. Propagacja wsteczna przez czas
        • W praktyce
      • 9.1.2. Próba ognia
      • 9.1.3. Brudne dane
      • 9.1.4. Powrót do brudnych danych
      • 9.1.5. Słowa są trudne. Litery są prostsze
      • 9.1.6. Kolej na rozmowę
      • 9.1.7. Zwrot ku klarownej mowie
      • 9.1.8. Jak mówić i co mówić
      • 9.1.9. Inne rodzaje pamięci
      • 9.1.10. Idąc głębiej
  • 10. Modele ciąg-ciąg i uwaga (attention)
    • 10.1. Architektura koder-dekoder
      • 10.1.1. Dekodowanie myśli
      • 10.1.2. Wygląda znajomo?
      • 10.1.3. Konwersacja ciąg-ciąg
      • 10.1.4. Powtórzenie LSTM
    • 10.2. Składanie potoku ciąg-ciąg
      • 10.2.1. Przygotowanie naszego zbioru danych do szkolenia ciąg-ciąg
      • 10.2.2. Model ciąg-ciąg w Kerasie
      • 10.2.3. Koder ciągów
      • 10.2.4. Dekoder myśli
      • 10.2.5. Składanie sieci ciąg-ciąg
    • 10.3. Szkolenie sieci ciąg-ciąg
      • 10.3.1. Generowanie ciągów wyjściowych
    • 10.4. Budowanie chatbota przy użyciu sieci ciąg-ciąg
      • 10.4.1. Przygotowanie korpusu do szkolenia
      • 10.4.2. Budowanie słownika znaków
      • 10.4.3. Generowanie zbiorów treningowych zakodowanych metodą 1 z n
      • 10.4.4. Uczenie chatbota ciąg-ciąg
      • 10.4.5. Składanie modelu do generowania ciągów
      • 10.4.6. Przewidywanie ciągu
      • 10.4.7. Generowanie odpowiedzi
      • 10.4.8. Rozmowa z waszym chatbotem
    • 10.5. Ulepszenia
      • 10.5.1. Redukcja złożoności treningu za pomocą sortowania danych (bucketing)
      • 10.5.2. Uwaga (attention)
    • 10.6. W świecie rzeczywistym
• Część 3. Przejście do rzeczywistości (prawdziwe problemy NLP)
  • 11. Ekstrakcja informacji (rozpoznawanie jednostek nazewniczych i odpowiadanie na pytania)
    • 11.1. Jednostki nazewnicze i relacje
      • 11.1.1. Baza wiedzy
      • 11.1.2. Ekstrakcja informacji
    • 11.2. Regularne wzorce
      • 11.2.1. Wyrażenia regularne
      • 11.2.2. Ekstrakcja informacji jako ekstrakcja cech z wykorzystaniem uczenia się maszyn
    • 11.3. Informacje warte wyodrębnienia
      • 11.3.1. Ekstrakcja lokalizacji GPS
      • 11.3.2. Ekstrakcja dat
    • 11.4. Ekstrakcja relacji
      • 11.4.1. Znakowanie częściami mowy
      • 11.4.2. Normalizacja jednostek nazewniczych
      • 11.4.3. Normalizacja i ekstrakcja relacji
      • 11.4.4. Wzorce słów
      • 11.4.5. Segmentacja
        • Segmentacja na zdania
      • 11.4.6. Dlaczego split(.!?') nie będzie działać?
      • 11.4.7. Segmentacja na zdania za pomocą wyrażeń regularnych
    • 11.5. W prawdziwym świecie
  • 12. Pogaduszki (silniki dialogowe)
    • 12.1. Umiejętności językowe
      • 12.1.1. Nowoczesne podejścia
        • Systemy dialogowe odpowiadające na pytania
        • Wirtualni asystenci
        • Chatboty konwersacyjne
        • Chatboty marketingowe
        • Zarządzanie społecznością
        • Obsługa klienta
        • Terapia
      • 12.1.2. Podejście hybrydowe
    • 12.2. Podejście polegające na dopasowaniu do wzorców
      • 12.2.1. Chatbot oparty na dopasowaniu do wzorca i AIML
        • AIML 1.0
        • Interpreter AIML w Pythonie
      • 12.2.2. Sieciowe spojrzenie na dopasowanie do wzorców
    • 12.3. Oparcie na wiedzy
    • 12.4. Wyszukiwanie
      • 12.4.1. Problem kontekstu
      • 12.4.2. Przykładowy chatbot oparty na wyszukiwaniu danych
      • 12.4.3. Chatbot oparty na wyszukiwaniu
    • 12.5. Modele generatywne
      • 12.5.1. Czat na temat NLPIA
      • 12.5.2. Zalety i wady każdego podejścia
    • 12.6. Napęd na cztery koła
      • 12.6.1. Will osiąga sukces
        • Instalowanie Willa
        • Hello WILL
    • 12.7. Proces projektowania
    • 12.8. Sztuczki
      • 12.8.1. Zadawanie pytań z przewidywalnymi odpowiedziami
      • 12.8.2. Bycie zabawnym
      • 12.8.3. Gdy wszystko inne zawiedzie, trzeba wyszukać
      • 12.8.4. Bycie popularnym
      • 12.8.5. Być łącznikiem
      • 12.8.6. Stawanie się emocjonalnym
    • 12.9. W świecie rzeczywistym
  • 13. Skalowanie (optymalizacja, zrównoleglanie i przetwarzanie wsadowe)
    • 13.1. Zbyt wiele dobrego (danych)
    • 13.2. Optymalizowanie algorytmów NLP
      • 13.2.1. Indeksowanie
      • 13.2.2. Zaawansowane indeksowanie
      • 13.2.3. Zaawansowane indeksowanie za pomocą Annoy
      • 13.2.4. Po co w ogóle stosować indeksy przybliżone?
      • 13.2.5. Obejście indeksowania: dyskretyzacja
    • 13.3. Algorytmy ze stałą pamięcią RAM
      • 13.3.1. Gensim
      • 13.3.2. Obliczenia graficzne
    • 13.4. Zrównoleglanie waszych obliczeń NLP
      • 13.4.1. Trenowanie modeli NLP na procesorach graficznych (GPU)
      • 13.4.2. Wynajem a kupno
      • 13.4.3. Opcje wynajmu GPU
      • 13.4.4. Jednostki przetwarzania tensorowego
    • 13.5. Zmniejszanie zużycia pamięci podczas trenowania modeli
    • 13.6. Uzyskiwanie wglądu w model za pomocą TensorBoard
      • 13.6.1. Jak wizualizować zanurzenia słów
• dodatek A. Nasze narzędzia NLP
• dodatek B. Swawolny Python i wyrażenia regularne
• dodatek C. Wektory i macierze (podstawy algebry liniowej)
• dodatek D. Narzędzia i techniki uczenia się maszyn
• dodatek E. Ustawianie własnego AWS GPU
• dodatek F. Mieszanie wrażliwe na lokalizację (LSH)
• źródła
• słownik
• posłowie do wydania polskiego
• przypisy

pokaż cały spis treści

ukryj recenzje