自然語言處理NLP從入門到項目實戰(zhàn)：Python語言實現

篇 人工智能自然語言處理基礎篇
第1章 人工智能原理
1.1 人工智能簡史
1.1.1 意識研究歷史及經典理論
1.1.2 意識研究的熱點問題和經典答案
1.1.3 人工智能經典理論
1.1.4 人工智能的本質
1.2 神經網絡原理
1.2.1 神經科學家
1.2.2 神經科學經典理論
1.2.3 學習和記憶的原理
1.2.4 神經網絡模型
1.3 矩陣與思維
1.3.1 矩陣與樹突
1.3.2 矩陣與聯想
第2章 掌握自然語言處理技術
2.1 自然語言處理技術與人工智能
2.1.1 自然語言處理技術與人工智能的關系
2.1.2 NLP技術的定義與分類
2.2 NLP技術概述
2.2.1 NLP算法的三個發(fā)展階段
2.2.2 基于規(guī)則的NLP算法
2.2.3 基于統(tǒng)計的NLP算法
2.2.4 基于深度學習的NLP算法
2.3 NLP商業(yè)技術
2.3.1 百度NLP技術
2.3.2 科大訊飛的NLP技術
2.3.3 騰訊的NLP技術
2.4 小結
第3章 掌握深度學習模型
3.1 深度學習與人工智能
3.1.1 機器學習定義
3.1.2 機器學習評估標準
3.2 深度學習模型的基礎知識
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 深度學習模型進階知識
3.3.1 基于Encoder-Decoder框架的注意力機制
3.3.2 引入Attention機制的RNN模型
3.3.3 Attention進階知識
3.3.4 Transformer模型
3.3.5 GPT模型
第二篇 自然語言處理系統(tǒng)實戰(zhàn)篇
第4章 NLP開源技術實戰(zhàn)
4.1 NLP開發(fā)工具簡介與環(huán)境搭建
4.1.1 Python 2和Python 3
4.1.2 運行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科學包
4.2 掌握Visual Studio Code 源代碼編輯器
4.2.1 VSCode 安裝與啟動
4.2.2 為VSCode配置Python解析器
4.2.3 使用VSCode運行Python代碼
4.2.4 使用VSCode調試Python代碼
4.3 開源社區(qū)GitHub的簡介與環(huán)境搭建
4.3.1 GitHub Desktop安裝方法
4.3.2 使用GitHub發(fā)布代碼倉庫
4.3.3 使VSCode與GitHub協作
4.4 jieba NLP技術實戰(zhàn)
4.4.1 結巴（jieba）分詞簡介
4.4.2 在VSCode中安裝jieba分詞工具
4.4.3 在VSCode中調用jieba分詞的主要功能
4.4.4 jieba分詞代碼詳解
4.4.5 jieba自定義詞典實戰(zhàn)
4.4.6 jieba詞性標注實戰(zhàn)
4.5 jiagu NLP技術實戰(zhàn)
4.5.1 甲骨（jiagu）分詞簡介
4.5.2 jiagu安裝與入門實戰(zhàn)
4.5.3 jiagu命名實體識別、文本摘要、知識圖譜、情感分析、文本聚類實戰(zhàn)
4.6 斯坦福大學開源NLP實戰(zhàn)
4.6.1 Stanza簡介與安裝
4.6.2 通用依賴樹庫簡介與下載
4.6.3 Stanza流水線自然語言處理實戰(zhàn)
4.6.4 Stanza流水線與工序實戰(zhàn)
4.6.5 詳解Stanza中的對象
4.6.6 Stanza的依存句法分析實戰(zhàn)
4.6.7 Graphviz&NetworkX依存句法圖形化實戰(zhàn)
4.7 百度開源中文詞匯分析LAC 2.0實戰(zhàn)
4.7.1 LAC 2.0簡介
4.7.2 LAC 2.0 安裝與基礎功能實戰(zhàn)
4.8 小結
第5章 Python神經網絡計算實戰(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手寫識別實戰(zhàn)
5.3.1 神經網絡輸入、輸出實戰(zhàn)
5.3.2 神經網絡的結構定義
5.3.3 經典神經網絡模型
5.3.4 神經網絡評價函數
5.3.5 運行神經網絡
5.4 其他神經網絡工具包
5.4.1 PyTorch簡介
5.4.2 使用 PyTorch 編寫LSTM詞性識別實戰(zhàn)
5.5 小結
第6章 AI語音合成有聲小說實戰(zhàn)
6.1 Python互聯網編程實戰(zhàn)
6.1.1 Python的HTTP編程實戰(zhàn)
6.1.2 Python的WebSocket編程實戰(zhàn)
6.2 JSON數據結構原理與實戰(zhàn)
6.2.1 JSON數據交換格式原理
6.2.2 Python語言的JSON編程實戰(zhàn)
6.3 AI語音合成實戰(zhàn)
6.3.1 科大訊飛NLP服務
6.3.2 AI語音合成有聲小說實戰(zhàn)
6.3.3 NLP商業(yè)API的HTTP調用實戰(zhàn)
第7章 玩轉詞向量
7.1 詞向量原理
7.1.1 詞向量技術的發(fā)展
7.1.2 掌握開源詞向量技術
7.1.3 詞向量下載
7.2 詞向量數據結構優(yōu)化
7.2.1 掌握數據庫技術
7.2.2 使用Pymssql操作數據庫
7.2.3 詞向量入庫
7.3 詞向量使用方法
7.3.1 掌握數據庫的查詢方法
7.3.2 使用Python操作數據庫查詢結果
7.4 小結
第8章 近義詞查詢系統(tǒng)實戰(zhàn)
8.1 近義詞查詢系統(tǒng)原理
8.1.1 近義詞向量相似度
8.1.2 文本相似度
8.2 中文詞語相似度計算
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現
8.3 近義詞系統(tǒng)實戰(zhàn)
8.3.1 詞向量加載
8.3.2 近義詞查詢
8.3.3 相似度排序與效率優(yōu)化
8.4 小結
第9章 機器翻譯系統(tǒng)實戰(zhàn)
9.1 基于商業(yè)云服務的機器翻譯實戰(zhàn)
9.1.1 機器翻譯的歷史、商業(yè)前景及應用范圍
9.1.2 Niutrans機器翻譯實戰(zhàn)
9.2 深度神經網絡機器翻譯實戰(zhàn)
9.2.1 深度學習數據集預處理實戰(zhàn)
9.2.2 引入注意力機制的Encoder-Decoder深度神經網絡配置實戰(zhàn)
9.2.3 引入注意力機制的Encoder-Decoder深度神經網絡訓練實戰(zhàn)
第10章 文本情感分析系統(tǒng)實戰(zhàn)
10.1 情緒認知理論
10.1.1 情緒認知經典理論
10.1.2 計算機情緒認知技術
10.2 文本情感分析系統(tǒng)原理
10.2.1 基于規(guī)則和統(tǒng)計的情感分析系統(tǒng)
10.2.2 基于深度學習的情感分析系統(tǒng)
10.3 基于規(guī)則文本情感分析系統(tǒng)實戰(zhàn)
10.3.1 詞庫設計原理
10.3.2 情緒分數計算
10.4 基于深度學習的文本情感分析系統(tǒng)實戰(zhàn)
10.4.1 LightGBM的安裝與簡介
10.4.2 掌握LightGBM的使用方法
10.4.3 Kaggle人工智能算法競賽平臺的使用方法
10.4.4 使用LightGBM實現情感分析實戰(zhàn)
10.4.5 Paddle EasyDL平臺ERNIE深度神經網絡訓練實戰(zhàn)
10.4.6 EasyDL電商行業(yè)評論情緒分類系統(tǒng)部署
10.5 小結
第11章 電話銷售語義分析系統(tǒng)實戰(zhàn)
11.1 掌握語音識別技術
11.1.1 pyAudio錄音實戰(zhàn)
11.1.2 阿里語音識別技術實戰(zhàn)
11.2 詞頻與相似度計算實戰(zhàn)
11.2.1 詞頻計算
11.2.2 相似度計算
11.2.3 預計算與提速
11.3 抽取用戶特征實戰(zhàn)
11.3.1 抽取客戶姓名、地址、工作單位
11.3.2 抽取交易細節(jié)及通話文本訓練
11.4 其他特征的提取
11.4.1 銷售意向分析實戰(zhàn)
11.4.2 時間特征提取實戰(zhàn)
11.5 小結
第12章 人工智能輔助寫作系統(tǒng)
12.1 人工智能輔助寫作原理
12.1.1 矩陣聯想算法原理
12.1.2 矩陣聯想算法示例
12.2 人工智能寫作實戰(zhàn)
12.2.1 人工智能寫高考作文實戰(zhàn)
12.2.2 使用人工智能提高人類聯想能力實戰(zhàn)
12.3 人工智能聯想服務實戰(zhàn)
12.3.1 人工智能聯想服務接口文檔
12.3.2 使用Python調用人工智能聯想服務實戰(zhàn)