内容介绍：
《Python自然语言处理实战》介绍自然语言处理和深度学习的核心概念，例如CNN、RNN、语义嵌入和Word2vec等。读者将学习如何使用神经网络执行自然语言处理任务，以及如何在自然语言处理应用程序中训练和部署神经网络。读者会在各种应用领域中使用RNN和CNN，例如文本分类和序列标记，这对于情绪分析、客服聊天机器人和异常检测的应用至关重要。读者还将掌握使用Python流行的深度学习库TensorFlow在语言应用程序中实现深度学习的实用知识。
作者介绍：
拉杰什·阿鲁姆甘（Rajesh Arumugam），目前在新加坡SAP公司负责机器学习开发工作，此前曾与日立亚洲（新加坡）社会创新中心合作，为智慧城市的多个领域开发过机器学习解决方案。毕业于南洋理工大学，获计算机工程博士学位，曾在多个会议上发表过论文，并在存储和机器学习方面拥有专利。
拉贾林加帕·尚穆加马尼（Rajalingappaa Shanmugamani），目前在Kairos担任技术经理，此前作为数据学习专家在新加坡SAP公司创新中心工作，并在开发计算机视觉产品的许多创业公司负责过开发和咨询工作。毕业于印度理工学院马德拉斯分校，获硕士学位，学位论文主题基于产业中计算机视觉的应用程序。他还在该领域发表了若干论文。
本书目录：
第 1 章 起步
1.1 NLP中的基本概念和术语
1.2 NLP技术的应用
1.3 小结
第 2 章 使用NLTK进行文本分类和词性标注
2.1 安装NLTK及其模块
2.2 文本预处理及探索性分析
2.3 词性标注
2.4 训练影评情感分类器
2.5 训练词袋分类器
2.6 小结
第 3 章 深度学习和TensorFlow
3.1 深度学习
3.2 TensorFlow
3.3 小结
第 4 章 使用浅层模型进行语义嵌入
4.1 词向量
4.2 从单词到文档嵌入
4.3 Sentence2vec
4.4 Doc2vec
4.5 小结
第 5 章 使用LSTM进行文本分类
5.1 文本分类数据
5.2 主题建模
5.3 用于文本分类的深度学习元架构
5.4 使用RNN识别YouTube视频垃圾评论
5.5 使用CNN对新闻主题分类
5.6 使用GloVe嵌入进行迁移学习
5.7 多标签分类
5.8 小结
第 6 章 使用CNN进行搜索和去重
6.1 数据
6.2 模型训练
6.3 小结
第 7 章 使用字符级LSTM进行命名实体识别
7.1 使用深度学习实现NER
7.2 小结
第 8 章 使用GRU进行文本生成和文本摘要
8.1 使用RNN进行文本生成
8.2 文本摘要
8.3 小结
第 9 章 使用记忆网络完成问答任务和编写聊天机器人
9.1 QA任务
9.2 用于QA任务的记忆网络
9.3 拓展记忆网络以进行对话建模
9.4 小结
第 10 章 使用基于attention的模型进行机器翻译
10.1 机器翻译概述
10.2 小结
第 11 章 使用DeepSpeech进行语音识别
11.1 语音识别概述
11.2 建立用于语音识别的RNN模型
11.3 小结
第 12 章 使用Tacotron进行文本转语音
12.1 TTS领域概述
12.2 深度学习中的TTS
12.3 利用Keras的Tacotron实现
12.4 小结
第 13 章 部署训练好的模型
13.1 性能提升
13.2 TensorFlow Serving
13.3 在云上部署
13.4 在移动设备上部署
13.5 小结
· · · · · · (更多)
book：24692 获取下载地址
