智能问答与深度学习【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

智能问答与深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1概述1

1.1智能问答：让机器更好地服务于人1

1.2问答系统类型介绍2

1.2.1基于事实的问答系统3

1.2.2基于常见问题集的问答系统3

1.2.3开放域的问答系统4

1.3使用本书附带的源码程序4

1.3.1安装依赖软件4

1.3.2下载源码5

1.3.3执行示例程序5

1.3.4联系我们6

1.4全书结构6

2机器学习基础8

2.1线性代数8

2.1.1标量、向量、矩阵和张量8

2.1.2矩阵运算9

2.1.3特殊类型的矩阵10

2.1.4线性相关11

2.1.5范数12

2.2概率论基础12

2.2.1随机变量13

2.2.2期望和方差13

2.2.3伯努利分布14

2.2.4二项分布14

2.2.5泊松分布15

2.2.6正态分布15

2.2.7条件概率、联合概率和全概率17

2.2.8先验概率与后验概率18

2.2.9边缘概率18

2.2.10贝叶斯公式18

2.2.11最大似然估计算法19

2.2.12线性回归模型20

2.2.13逻辑斯蒂回归模型21

2.3信息论基础22

2.3.1熵23

2.3.2联合熵和条件熵23

2.3.3相对熵与互信息24

2.3.4信道和信道容量25

2.3.5最大熵模型26

2.3.6信息论与机器学习29

2.4统计学习29

2.4.1输入空间、特征空间与输出空间30

2.4.2向量表示30

2.4.3数据集31

2.4.4从概率到函数31

2.4.5统计学习三要素32

2.5隐马尔可夫模型33

2.5.1随机过程和马尔可夫链33

2.5.2隐马尔可夫模型的定义36

2.5.3三个基本假设及适用场景37

2.5.4概率计算问题之直接计算39

2.5.5概率计算问题之前向算法40

2.5.6概率计算问题之后向算法42

2.5.7预测问题之维特比算法45

2.5.8学习问题之Baum-Welch算法48

2.6条件随机场模型52

2.6.1超越HMM52

2.6.2项目实践55

2.7总结59

3自然语言处理基础60

3.1中文自动分词60

3.1.1有向无环图61

3.1.2最大匹配算法63

3.1.3算法评测69

3.1.4由字构词的方法72

3.2词性标注77

3.2.1词性标注规范77

3.2.2隐马尔可夫模型词性标注79

3.3命名实体识别81

3.4上下文无关文法82

3.4.1原理介绍83

3.4.2算法浅析83

3.5依存关系分析84

3.5.1算法浅析85

3.5.2项目实践92

3.5.3小结94

3.6信息检索系统95

3.6.1什么是信息检索系统95

3.6.2衡量信息检索系统的关键指标95

3.6.3理解非结构化数据97

3.6.4倒排索引98

3.6.5处理查询100

3.6.6项目实践102

3.6.7 Elasticsearch103

3.6.8小结112

3.7问答语料113

3.7.1 WikiQA113

3.7.2中文版保险行业语料库InsuranceQA113

3.8总结115

4深度学习初步116

4.1深度学习简史116

4.1.1感知机116

4.1.2寒冬和复苏117

4.1.3走出实验室118

4.1.4寒冬再临119

4.1.5走向大规模实际应用119

4.2基本架构120

4.2.1神经元121

4.2.2输入层、隐藏层和输出层122

4.2.3标准符号123

4.3神经网络是如何学习的124

4.3.1梯度下降124

4.3.2反向传播理论127

4.3.3神经网络全连接层的实现130

4.3.4使用简单神经网络实现问答任务131

4.4调整神经网络超参数136

4.4.1超参数136

4.4.2参考建议137

4.5卷积神经网络与池化138

4.5.1简介138

4.5.2卷积层的前向传播139

4.5.3池化层的前向传播141

4.5.4卷积层的实现141

4.5.5池化层的实现145

4.5.6使用卷积神经网络实现问答任务148

4.6循环神经网络及其变种149

4.6.1简介149

4.6.2循环神经网络149

4.6.3长短期记忆单元和门控循环单元153

4.6.4循环神经网络的实现156

4.6.5使用循环神经网络实现问答任务159

4.7简易神经网络工具包160

5词向量实现及应用161

5.1语言模型161

5.1.1评测162

5.1.2 ARPA格式介绍162

5.1.3项目实践163

5.2 One-hot表示法164

5.3词袋模型165

5.4 NNL M和RNNLM165

5.5 word2vec168

5.5.1 C-BOW的原理169

5.5.2 Skip-gram的原理172

5.5.3计算效率优化174

5.5.4项目实践179

5.6 GloVe189

5.6.1 GloVe的原理189

5.6.2 GloVe与word2vec的区别和联系191

5.6.3项目实践193

5.7 fastText198

5.7.1 fastText的原理198

5.7.2 fastText与word2vec的区别和联系200

5.7.3项目实践201

5.8中文近义词工具包204

5.8.1安装205

5.8.2接口205

5.9 总结205

6社区问答中的QA匹配206

6.1社区问答任务简介206

6.2孪生网络模型207

6.3 QACNN模型207

6.3.1模型构建207

6.3.2实验结果214

6.4 Decomposable Attention模型214

6.4.1模型介绍214

6.4.2模型构建216

6.5多比较方式的比较-集成模型216

6.5.1模型介绍216

6.5.2模型构建218

6.6 BiMPM模型219

6.6.1模型介绍219

6.6.2模型构建221

7机器阅读理解222

7.1完型填空型机器阅读理解任务222

7.1.1 CNN/Daily Mail数据集222

7.1.2 Children’s Book Test（CBT）数据集223

7.1.3 GA Reader模型226

7.1.4 SA Reader模型227

7.1.5 AoA Reader模型228

7.2答案抽取型机器阅读理解任务230

7.2.1 SQuAD数据集231

7.2.2 MS MARCO数据集232

7.2.3 TriviaQA数据集234

7.2.4 DuReader数据集235

7.2.5 BiDAF模型235

7.2.6 R-Net模型237

7.2.7 S-Net模型240

7.3答案选择型机器阅读理解任务243

7.4展望245

参考文献246