自然语言处理基础教程

前言
第1章　自然语言处理概述1
11　自然语言处理的基本概念1
111　什么是自然语言处理1
112　自然语言处理的层次2
113　自然语言处理的发展历程3
12　自然语言处理技术面临的困难6
121　歧义6
122　知识的获取、表达及运用7
123　计算问题8
13　自然语言处理的主要研究任务和应用8
131　自然语言处理的主要研究任务8
132　自然语言处理的典型应用10
14　搭建自然语言处理开发环境11
141　Anaconda11
142　scikit-learn15
143　Jupyter Notebook15
15　本章小结16
16　习题17
第2章　词法分析18
21　什么是词法分析18
22　分词19
221　中文分词简介19
222　基于词典的分词方法20
223　基于统计的分词方法21
224　实例—使用N-gram语言模型进行语法纠正24
225　中文分词工具简介27
226　实例—使用jieba进行高频词提取30
23　关键词提取32
231　TF-IDF算法32
232　TextRank算法33
233　实例—提取文本关键词34
24　词性标注40
241　词性标注简介40
242　隐马尔可夫模型41
243　Viterbi算法43
244　最大熵模型44
25　命名实体识别46
251　命名实体识别简介46
252　条件随机场模型47
253　实例—使用jieba进行日期识别48
26　本章小结52
27　习题53
第3章　句法分析54
31　什么是句法分析54
32　句法分析树库及性能评测56
321　句法分析语料库56
322　句法分析模型的性能评测59
33　概率上下文无关文法59
34　依存句法分析62
341　基于图模型的依存句法分析63
342　基于转移模型的依存句法分析63
35　中文句法分析工具简介65
36　实例—中文句法分析66
37　本章小结68
38　习题68
第4章　基于机器学习的文本分类69
41　机器学习简介69
411　scikit-learn简介71
412　机器学习基本概念72
413　机器学习问题分类73
42　朴素贝叶斯分类器76
43　逻辑回归分类器80
44　支持向量机分类器84
45　文本聚类89
46　实例—垃圾邮件分类94
47　本章小结99
48　习题99
第5章　深度学习与神经网络101
51　深度学习与神经网络简介101
52　人工神经网络102
521　生物神经元102
522　感知器103
523　激活函数105
524　神经网络110
53　前馈神经网络110
531　前馈神经网络的结构110
532　前向传播111
533　损失函数112
534　反向传播算法113
535　优化方法114
54　深度学习框架116
541　TensorFlow116
542　Keras118
543　PyTorch119
544　PaddlePaddle120
55　实例—使用MLP实现手写数字识别122
551　数据准备122
552　创建MLP122
553　模型训练123
554　模型评价124
56　本章小结125
57　习题126
第6章　词嵌入与词向量127
61　文本向量化127
62　One-Hot编码128
63　词嵌入130
631　什么是词嵌入130
632　词嵌入的实现131
633　语义信息132
64　Word2Vec133
641　Word2Vec简介133
642　Word2Vec的应用134
643　使用gensim包训练词向量136
65　Doc2Vec138
651　PV-DM139
652　PV-DBOW140
66　实例—利用Doc2Vec计算文档相似度140
661　准备语料库140
662　定义和训练模型141
663　分析文本相似度142
67　本章小结145
68　习题145
第7章　卷积神经网络与自然语言处理146
71　卷积神经网络简介146
711　深层神经网络用于图像处理存在的问题146
712　什么是卷积148
713　填充150
714　步长151
715　什么是卷积神经网络151
72　应用卷积神经网络解决自然语言处理问题152
721　NLP中的卷积层152
722　NLP中的池化层154
723　NLP中CNN的基本架构155
73　CNN在应用中的超参数选择156
731　激活函数156
732　卷积核的大小和个数156
733　dropout层156
734　softmax分类器157
74　实例—使用CNN实现新闻文本分类158
741　准备数据158
742　定义和训练模型163
75　本章小结165
76　习题166
第8章　循环神经网络与自然语言处理167
81　循环神经网络的基本结构168
82　循环神经网络应用于自然语言处理170
821　序列到类别170
822　同步序列到序列171
823　异步序列到序列172
83　循环神经网络的训练173
831　随时间反向传播算法173
832　权重的更新174
833　梯度消失与梯度爆炸175
84　长短期记忆网络175
841　细胞状态177
842　门控机制177
85　门控循环单元网络181
86　更深的网络184
861　堆叠循环神经网络184
862　双向循环神经网络185
87　实例—使用LSTM网络实现文本情感分析186
871　数据准备186
872　构建和训练模型187
88　本章小结190
89　习题191
第9章　序列到序列模型与注意力机制192
91　序列到序列模型192
911　什么是序列到序列模型192
912　编码–解码架构193
913　编码器194
914　解码器195
915　模型训练197
92　注意力机制198
921　什么是注意力机制198
922　计算语义