TensorFlow與自然語言處理應(yīng)用

第1章 自然語言處理基礎(chǔ)
1．1 認(rèn)識(shí)自然語言處理
1．2 自然語言處理方面的任務(wù)
1．3 第一階段：偏理論的理性主義
1．4 第二階段：偏實(shí)踐應(yīng)用的經(jīng)驗(yàn)主義
1．5 第三階段：深度學(xué)習(xí)階段
1．6 NLP中深度學(xué)習(xí)的局限性
1．7 NLP的應(yīng)用場景
1．8 NLP的發(fā)展前景
1．9 總結(jié)
第2章 深度學(xué)習(xí)基礎(chǔ)
2．1 深度學(xué)習(xí)介紹
2．2 深度學(xué)習(xí)演變簡述
2．2．1 深度學(xué)習(xí)早期
2．2．2 深度學(xué)習(xí)的發(fā)展
2．2．3 深度學(xué)習(xí)的爆發(fā)
2．3 神經(jīng)網(wǎng)絡(luò)介紹
2．4 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
2．5 兩層神經(jīng)網(wǎng)絡(luò)（多層感知器）
2．5．1 簡述
2．5．2 兩層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2．6 多層神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)）
2．6．1 簡述
2．6．2 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2．7 編碼器．解碼器網(wǎng)絡(luò)
2．8 隨機(jī)梯度下降
2．9 反向傳播
2．1 0總結(jié)
第3章 TensorFlow．
3．1 TensorFlow概念解讀
3．2 TensorFlow主要特征
3．2．1 自動(dòng)求微分
3．2．2 多語言支持
3．2．3 高度的靈活性
3．2．4 真正的可移植性
3．2．5 將科研和產(chǎn)品聯(lián)系在一起
3．2．6 性能最優(yōu)化
3．3 TensorFlow安裝
3．4 TensorFlow計(jì)算圖
3．5 TensorFlow張量和模型會(huì)話
3．5．1 張量
3．5．2 會(huì)話
3．6 TensorFlow工作原理
3．7 通過一個(gè)示例來認(rèn)識(shí)TensorFlow
3．8 TensorFlow客戶端
3．9 TensorFlow中常見元素解讀
3，9．1 在TensorFlow中定義輸入
3．9．2 在TensorFlow中定義變量
3．9．3 定義TensorFlow輸出
3．9．4 定義TensorFlow運(yùn)算或操作
3．10 變量作用域機(jī)制
3．10．1 基本原理
3．10．2 通過示例解讀
3．11 實(shí)現(xiàn)一個(gè)神經(jīng)網(wǎng)絡(luò)
3．11．1 數(shù)據(jù)準(zhǔn)備
3．11．2 定義TensorFlow計(jì)算圖
3．11．3 運(yùn)行神經(jīng)網(wǎng)絡(luò)
3．12 總結(jié)
第4章 詞嵌入
4．1 分布式表示
4．1．1 分布式表示的直觀認(rèn)識(shí)
4．1．2 分布式表示解讀
4．2 Word2vec模型（以Skip-Gram為例）
4．2．1 直觀認(rèn)識(shí)Word2vec
4．2．2 定義任務(wù)
4．2．3 從原始文本創(chuàng)建結(jié)構(gòu)化數(shù)據(jù)
4．2．4 定義詞嵌入層和神經(jīng)網(wǎng)絡(luò)
……
第5章 卷積神經(jīng)網(wǎng)絡(luò)與句子分類
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò)
第7章 長短期記憶
第8章 利用LSTM自動(dòng)生成文本
第9章 利用LSTM實(shí)現(xiàn)圖像字幕自動(dòng)生成
第10章 情感分析
第11章機(jī)器翻譯
第12章 智能問答系統(tǒng)