自然語(yǔ)言處理NLP從入門(mén)到項(xiàng)目實(shí)戰(zhàn)：Python語(yǔ)言實(shí)現(xiàn)

篇 人工智能自然語(yǔ)言處理基礎(chǔ)篇
第1章 人工智能原理
1.1 人工智能簡(jiǎn)史
1.1.1 意識(shí)研究歷史及經(jīng)典理論
1.1.2 意識(shí)研究的熱點(diǎn)問(wèn)題和經(jīng)典答案
1.1.3 人工智能經(jīng)典理論
1.1.4 人工智能的本質(zhì)
1.2 神經(jīng)網(wǎng)絡(luò)原理
1.2.1 神經(jīng)科學(xué)家
1.2.2 神經(jīng)科學(xué)經(jīng)典理論
1.2.3 學(xué)習(xí)和記憶的原理
1.2.4 神經(jīng)網(wǎng)絡(luò)模型
1.3 矩陣與思維
1.3.1 矩陣與樹(shù)突
1.3.2 矩陣與聯(lián)想
第2章 掌握自然語(yǔ)言處理技術(shù)
2.1 自然語(yǔ)言處理技術(shù)與人工智能
2.1.1 自然語(yǔ)言處理技術(shù)與人工智能的關(guān)系
2.1.2 NLP技術(shù)的定義與分類(lèi)
2.2 NLP技術(shù)概述
2.2.1 NLP算法的三個(gè)發(fā)展階段
2.2.2 基于規(guī)則的NLP算法
2.2.3 基于統(tǒng)計(jì)的NLP算法
2.2.4 基于深度學(xué)習(xí)的NLP算法
2.3 NLP商業(yè)技術(shù)
2.3.1 百度NLP技術(shù)
2.3.2 科大訊飛的NLP技術(shù)
2.3.3 騰訊的NLP技術(shù)
2.4 小結(jié)
第3章 掌握深度學(xué)習(xí)模型
3.1 深度學(xué)習(xí)與人工智能
3.1.1 機(jī)器學(xué)習(xí)定義
3.1.2 機(jī)器學(xué)習(xí)評(píng)估標(biāo)準(zhǔn)
3.2 深度學(xué)習(xí)模型的基礎(chǔ)知識(shí)
3.2.1 NNLM模型
3.2.2 Word2vec模型
3.2.3 fastText模型
3.2.4 TextCNN模型
3.2.5 Seq2Seq模型
3.3 深度學(xué)習(xí)模型進(jìn)階知識(shí)
3.3.1 基于Encoder-Decoder框架的注意力機(jī)制
3.3.2 引入Attention機(jī)制的RNN模型
3.3.3 Attention進(jìn)階知識(shí)
3.3.4 Transformer模型
3.3.5 GPT模型
第二篇 自然語(yǔ)言處理系統(tǒng)實(shí)戰(zhàn)篇
第4章 NLP開(kāi)源技術(shù)實(shí)戰(zhàn)
4.1 NLP開(kāi)發(fā)工具簡(jiǎn)介與環(huán)境搭建
4.1.1 Python 2和Python 3
4.1.2 運(yùn)行Python代碼片段
4.1.3 在不同操作系統(tǒng)中搭建Python編程環(huán)境
4.1.4 在Linux系統(tǒng)中搭建Python編程環(huán)境
4.1.5 在Windows系統(tǒng)中搭建Python編程環(huán)境
4.1.6 安裝Anaconda科學(xué)包
4.2 掌握Visual Studio Code 源代碼編輯器
4.2.1 VSCode 安裝與啟動(dòng)
4.2.2 為VSCode配置Python解析器
4.2.3 使用VSCode運(yùn)行Python代碼
4.2.4 使用VSCode調(diào)試Python代碼
4.3 開(kāi)源社區(qū)GitHub的簡(jiǎn)介與環(huán)境搭建
4.3.1 GitHub Desktop安裝方法
4.3.2 使用GitHub發(fā)布代碼倉(cāng)庫(kù)
4.3.3 使VSCode與GitHub協(xié)作
4.4 jieba NLP技術(shù)實(shí)戰(zhàn)
4.4.1 結(jié)巴（jieba）分詞簡(jiǎn)介
4.4.2 在VSCode中安裝jieba分詞工具
4.4.3 在VSCode中調(diào)用jieba分詞的主要功能
4.4.4 jieba分詞代碼詳解
4.4.5 jieba自定義詞典實(shí)戰(zhàn)
4.4.6 jieba詞性標(biāo)注實(shí)戰(zhàn)
4.5 jiagu NLP技術(shù)實(shí)戰(zhàn)
4.5.1 甲骨（jiagu）分詞簡(jiǎn)介
4.5.2 jiagu安裝與入門(mén)實(shí)戰(zhàn)
4.5.3 jiagu命名實(shí)體識(shí)別、文本摘要、知識(shí)圖譜、情感分析、文本聚類(lèi)實(shí)戰(zhàn)
4.6 斯坦福大學(xué)開(kāi)源NLP實(shí)戰(zhàn)
4.6.1 Stanza簡(jiǎn)介與安裝
4.6.2 通用依賴(lài)樹(shù)庫(kù)簡(jiǎn)介與下載
4.6.3 Stanza流水線(xiàn)自然語(yǔ)言處理實(shí)戰(zhàn)
4.6.4 Stanza流水線(xiàn)與工序?qū)崙?zhàn)
4.6.5 詳解Stanza中的對(duì)象
4.6.6 Stanza的依存句法分析實(shí)戰(zhàn)
4.6.7 Graphviz&NetworkX依存句法圖形化實(shí)戰(zhàn)
4.7 百度開(kāi)源中文詞匯分析LAC 2.0實(shí)戰(zhàn)
4.7.1 LAC 2.0簡(jiǎn)介
4.7.2 LAC 2.0 安裝與基礎(chǔ)功能實(shí)戰(zhàn)
4.8 小結(jié)
第5章 Python神經(jīng)網(wǎng)絡(luò)計(jì)算實(shí)戰(zhàn)
5.1 TensorFlow
5.1.1 TensorFlow生態(tài)系統(tǒng)和社區(qū)資源
5.1.2 TensorFlow 2.x的版本與特性
5.2 CPUGPU環(huán)境搭建
5.2.1 TensorFlow的CPU環(huán)境搭建
5.2.2 TensorFlow的GPU環(huán)境搭建
5.3 Keras手寫(xiě)識(shí)別實(shí)戰(zhàn)
5.3.1 神經(jīng)網(wǎng)絡(luò)輸入、輸出實(shí)戰(zhàn)
5.3.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)定義
5.3.3 經(jīng)典神經(jīng)網(wǎng)絡(luò)模型
5.3.4 神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)函數(shù)
5.3.5 運(yùn)行神經(jīng)網(wǎng)絡(luò)
5.4 其他神經(jīng)網(wǎng)絡(luò)工具包
5.4.1 PyTorch簡(jiǎn)介
5.4.2 使用 PyTorch 編寫(xiě)LSTM詞性識(shí)別實(shí)戰(zhàn)
5.5 小結(jié)
第6章 AI語(yǔ)音合成有聲小說(shuō)實(shí)戰(zhàn)
6.1 Python互聯(lián)網(wǎng)編程實(shí)戰(zhàn)
6.1.1 Python的HTTP編程實(shí)戰(zhàn)
6.1.2 Python的WebSocket編程實(shí)戰(zhàn)
6.2 JSON數(shù)據(jù)結(jié)構(gòu)原理與實(shí)戰(zhàn)
6.2.1 JSON數(shù)據(jù)交換格式原理
6.2.2 Python語(yǔ)言的JSON編程實(shí)戰(zhàn)
6.3 AI語(yǔ)音合成實(shí)戰(zhàn)
6.3.1 科大訊飛NLP服務(wù)
6.3.2 AI語(yǔ)音合成有聲小說(shuō)實(shí)戰(zhàn)
6.3.3 NLP商業(yè)API的HTTP調(diào)用實(shí)戰(zhàn)
第7章 玩轉(zhuǎn)詞向量
7.1 詞向量原理
7.1.1 詞向量技術(shù)的發(fā)展
7.1.2 掌握開(kāi)源詞向量技術(shù)
7.1.3 詞向量下載
7.2 詞向量數(shù)據(jù)結(jié)構(gòu)優(yōu)化
7.2.1 掌握數(shù)據(jù)庫(kù)技術(shù)
7.2.2 使用Pymssql操作數(shù)據(jù)庫(kù)
7.2.3 詞向量入庫(kù)
7.3 詞向量使用方法
7.3.1 掌握數(shù)據(jù)庫(kù)的查詢(xún)方法
7.3.2 使用Python操作數(shù)據(jù)庫(kù)查詢(xún)結(jié)果
7.4 小結(jié)
第8章 近義詞查詢(xún)系統(tǒng)實(shí)戰(zhàn)
8.1 近義詞查詢(xún)系統(tǒng)原理
8.1.1 近義詞向量相似度
8.1.2 文本相似度
8.2 中文詞語(yǔ)相似度計(jì)算
8.2.1 詞向量相似度算法原理
8.2.2 詞向量相似度算法實(shí)現(xiàn)
8.3 近義詞系統(tǒng)實(shí)戰(zhàn)
8.3.1 詞向量加載
8.3.2 近義詞查詢(xún)
8.3.3 相似度排序與效率優(yōu)化
8.4 小結(jié)
第9章 機(jī)器翻譯系統(tǒng)實(shí)戰(zhàn)
9.1 基于商業(yè)云服務(wù)的機(jī)器翻譯實(shí)戰(zhàn)
9.1.1 機(jī)器翻譯的歷史、商業(yè)前景及應(yīng)用范圍
9.1.2 Niutrans機(jī)器翻譯實(shí)戰(zhàn)
9.2 深度神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯實(shí)戰(zhàn)
9.2.1 深度學(xué)習(xí)數(shù)據(jù)集預(yù)處理實(shí)戰(zhàn)
9.2.2 引入注意力機(jī)制的Encoder-Decoder深度神經(jīng)網(wǎng)絡(luò)配置實(shí)戰(zhàn)
9.2.3 引入注意力機(jī)制的Encoder-Decoder深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)戰(zhàn)
第10章 文本情感分析系統(tǒng)實(shí)戰(zhàn)
10.1 情緒認(rèn)知理論
10.1.1 情緒認(rèn)知經(jīng)典理論
10.1.2 計(jì)算機(jī)情緒認(rèn)知技術(shù)
10.2 文本情感分析系統(tǒng)原理
10.2.1 基于規(guī)則和統(tǒng)計(jì)的情感分析系統(tǒng)
10.2.2 基于深度學(xué)習(xí)的情感分析系統(tǒng)
10.3 基于規(guī)則文本情感分析系統(tǒng)實(shí)戰(zhàn)
10.3.1 詞庫(kù)設(shè)計(jì)原理
10.3.2 情緒分?jǐn)?shù)計(jì)算
10.4 基于深度學(xué)習(xí)的文本情感分析系統(tǒng)實(shí)戰(zhàn)
10.4.1 LightGBM的安裝與簡(jiǎn)介
10.4.2 掌握LightGBM的使用方法
10.4.3 Kaggle人工智能算法競(jìng)賽平臺(tái)的使用方法
10.4.4 使用LightGBM實(shí)現(xiàn)情感分析實(shí)戰(zhàn)
10.4.5 Paddle EasyDL平臺(tái)ERNIE深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)戰(zhàn)
10.4.6 EasyDL電商行業(yè)評(píng)論情緒分類(lèi)系統(tǒng)部署
10.5 小結(jié)
第11章 電話(huà)銷(xiāo)售語(yǔ)義分析系統(tǒng)實(shí)戰(zhàn)
11.1 掌握語(yǔ)音識(shí)別技術(shù)
11.1.1 pyAudio錄音實(shí)戰(zhàn)
11.1.2 阿里語(yǔ)音識(shí)別技術(shù)實(shí)戰(zhàn)
11.2 詞頻與相似度計(jì)算實(shí)戰(zhàn)
11.2.1 詞頻計(jì)算
11.2.2 相似度計(jì)算
11.2.3 預(yù)計(jì)算與提速
11.3 抽取用戶(hù)特征實(shí)戰(zhàn)
11.3.1 抽取客戶(hù)姓名、地址、工作單位
11.3.2 抽取交易細(xì)節(jié)及通話(huà)文本訓(xùn)練
11.4 其他特征的提取
11.4.1 銷(xiāo)售意向分析實(shí)戰(zhàn)
11.4.2 時(shí)間特征提取實(shí)戰(zhàn)
11.5 小結(jié)
第12章 人工智能輔助寫(xiě)作系統(tǒng)
12.1 人工智能輔助寫(xiě)作原理
12.1.1 矩陣聯(lián)想算法原理
12.1.2 矩陣聯(lián)想算法示例
12.2 人工智能寫(xiě)作實(shí)戰(zhàn)
12.2.1 人工智能寫(xiě)高考作文實(shí)戰(zhàn)
12.2.2 使用人工智能提高人類(lèi)聯(lián)想能力實(shí)戰(zhàn)
12.3 人工智能聯(lián)想服務(wù)實(shí)戰(zhàn)
12.3.1 人工智能聯(lián)想服務(wù)接口文檔
12.3.2 使用Python調(diào)用人工智能聯(lián)想服務(wù)實(shí)戰(zhàn)