自然語言處理原理與實戰(zhàn)

第1章自然語言處理技術概述
1.1自然語言處理介紹
1.1.1自然語言處理的定義及其在實際工作中的定位
1.1.2自然語言處理的經典應用場景
1.2自然語言處理的技能要求和職業(yè)發(fā)展路徑
1.2.1大數(shù)據(jù)部門組織架構和自然語言處理職位所處位置
1.2.2自然語言處理的職位介紹和技能要求
1.2.3自然語言處理的職業(yè)生涯規(guī)劃和發(fā)展路徑
1.2.4自然語言處理的市場平均薪資水平
第2章中文分詞
2.1中文分詞原理
2.2規(guī)則分詞
2.2.1正向最大匹配法
2.2.2逆向最大匹配法
2.2.3雙向最大匹配法
2.3機器學習統(tǒng)計分詞
2.3.1隱馬爾可夫模型分詞
2.3.2感知器分詞
2.3.3CRF分詞
2.4分詞工具實戰(zhàn)
2.4.1CRF 工具包實戰(zhàn)
2.4.2Python的Jieba分詞
2.4.3Java的HanLP分詞
2.4.4Java的IK分詞
2.4.5Java的mmseg4j分詞
第3章詞性標注
3.1詞性標注原理
3.1.1詞性介紹
3.1.2HMM詞性標注
3.1.3感知器詞性標注
3.1.4CRF詞性標注
3.2詞性標注工具實戰(zhàn)
3.2.1Python的Jieba詞性標注
3.2.2Java的HanLP詞性標注
第4章命名實體識別
4.1命名實體識別原理
4.2基于HMM角色標注的命名實體識別
4.2.1中國人名識別
4.2.2地名識別
4.2.3機構公司名識別
4.3基于線性模型的命名實體識別
4.3.1感知器命名實體識別
4.3.2CRF命名實體識別
第5章依存句法分析
5.1依存句法分析原理
5.2HanLP基于神經網絡依存句法分析器
第6章語義角色標注
6.1語義角色標注原理
6.2語義角色標注的設計框架
6.2.1生成語義生成樹
6.2.2剪枝
6.2.3角色識別
6.2.4角色分類
第7章文本相似度算法
7.1字符串編輯距離
7.1.1算法原理
7.1.2Java代碼實現(xiàn)
7.1.3Python代碼實現(xiàn)
7.2余弦相似度
7.2.1算法原理
7.2.2Java代碼實現(xiàn)
7.2.3Python代碼實現(xiàn)
第8章語義相似度計算
8.1《同義詞詞林》
8.1.1算法原理
8.1.2代碼實戰(zhàn)
8.2基于深度學習的語義相似度
8.2.1DSSM
8.2.2CNNDSSM
8.2.3LSTMDSSM
第9章詞頻逆文檔頻率
9.1TFIDF算法原理
9.2Java代碼實現(xiàn)TFIDF
9.3TFIDF的Python代碼實現(xiàn)
第10章條件隨機場
10.1算法原理
10.2開源工具實戰(zhàn)
第11章新詞發(fā)現(xiàn)與短語提取
11.1新詞發(fā)現(xiàn)
11.2短語提取
第12章搜索引擎Solr Cloud和Elasticsearch
12.1全文搜索引擎介紹及原理
12.2Lucene搜索引擎
12.3Solr Cloud
12.3.1Solr Cloud介紹及原理
12.3.2Solr Cloud實戰(zhàn)
12.4Elasticsearch
12.4.1Elasticsearch介紹及原理
12.4.2Elasticsearch實戰(zhàn)
第13章Word2Vec詞向量模型
13.1Word2Vec詞向量模型介紹及原理
13.2Word2Vec詞向量模型實戰(zhàn)
13.2.1Spark分布式實現(xiàn)Word2Vec詞向量模型
13.2.2谷歌開源Word2Vec工具
第14章文本分類
14.1文本分類介紹及相關算法
14.2樸素貝葉斯算法
14.2.1算法原理
14.2.2源碼實戰(zhàn)
14.3支持向量機
14.3.1算法原理
14.3.2源碼實戰(zhàn)
14.4Python開源快速文本分類器FastText
14.4.1FastText框架核心原理
14.4.2FastText和Word2Vec的區(qū)別
14.4.3FastText實戰(zhàn)
14.5BERT文本分類
14.5.1BERT模型介紹及原理
14.5.2BERT中文文本分類實戰(zhàn)
第15章文本聚類
15.1文本聚類介紹及相關算法
15.2Kmeans文本聚類
15.2.1算法原理
15.2.2源碼實戰(zhàn)
15.3LDA主題詞——潛在狄利克雷分布模型
15.3.1算法原理
15.3.2源碼實戰(zhàn)
第16章關鍵詞提取和文本摘要
16.1關鍵詞提取
16.1.1關鍵詞提取介紹及相關算法
16.1.2基于Python的關鍵詞提取實戰(zhàn)
16.1.3基于Java的關鍵詞提取實戰(zhàn)
16.2文本摘要
16.2.1文本摘要介紹及相關算法
16.2.2基于Python的文本摘要實戰(zhàn)
16.2.3基于Java的文本摘要實戰(zhàn)
第17章自然語言模型
17.1自然語言模型原理與介紹
17.2NGram統(tǒng)計語言模型
17.3LSTM神經網絡語言模型
第18章分布式深度學習實戰(zhàn)
18.1TensorFlow深度學習框架
18.1.1TensorFlow原理和介紹
18.1.2TensorFlow安裝部署
18.2MXNet深度學習框架
18.2.1MXNet原理和介紹
18.2.2MXNet安裝部署
18.3神經網絡算法
18.3.1多層感知器算法
18.3.2卷積神經網絡
18.3.3循環(huán)神經網絡
18.3.4長短期記憶神經網絡
18.3.5端到端神經網絡
18.3.6生成對抗網絡
18.3.7深度強化學習
18.3.8TensorFlow分布式訓練實戰(zhàn)
18.3.9分布式TensorFlow on Kubernetes集群實戰(zhàn)
第19章自然語言處理項目實戰(zhàn)
19.1對話機器人項目實戰(zhàn)
19.1.1對話機器人原理與介紹
19.1.2基于TensorFlow的對話機器人
19.1.3基于MXNet的對話機器人
19.1.4基于深度強化學習的機器人
19.1.5基于搜索引擎的對話機器人
19.1.6對話機器人的Web服務工程化
19.2搜索引擎項目實戰(zhàn)
19.2.1搜索引擎系統(tǒng)架構設計
19.2.2搜索框架技術選型
19.2.3搜索相關度排序
19.2.4搜索綜合排序算法
19.2.5搜索內容意圖識別和智能糾錯
19.2.6搜索智能聯(lián)想詞
19.2.7搜索輸入框默認關鍵詞猜你喜歡
19.2.8相關搜索關鍵詞推薦
19.2.9排序學習與NDCG搜索評價指標
19.2.10個性化搜索猜你喜歡
19.2.11搜索此關鍵詞的用戶最終購買算法
19.2.12搜索大數(shù)據(jù)平臺及數(shù)據(jù)倉庫建設
19.3推薦算法系統(tǒng)實戰(zhàn)
19.3.1推薦系統(tǒng)架構設計
19.3.2推薦數(shù)據(jù)倉庫集市
19.3.3ETL數(shù)據(jù)處理
19.3.4協(xié)同過濾用戶行為挖掘
19.3.5ContentBase文本挖掘算法
19.3.6用戶畫像興趣標簽提取算法
19.3.7基于用戶心理學的模型推薦
19.3.8多策略融合算法
19.3.9準實時在線學習推薦引擎
19.3.10Redis緩存處理
19.3.11分布式搜索
19.3.12推薦二次排序算法
19.3.13在線Web實時推薦引擎服務
19.3.14在線AB測試推薦效果評估
19.3.15離線AB測試推薦效果評估
19.3.16推薦位管理平臺
參考資料