·内容基础且实用。本书是关于迁移学习技术在NLP领域的实用指南，能够帮助读者快速了解相关的机器学习概念，并将其应用于现实世界的问题。 ·内容技术新。本书详细介绍了如何使用迁移学习技术来解决新场景、新任务和新环境的问题，使得机器学习系统更加可靠和鲁棒。 ·具有实战性。本书提供了如何使用迁移学习来改NLP模型的实践指导，读者可以学习如何从预训练模型始，调整以满足确切的需求，从而提供先的结果。
售 价：¥
纸质售价：¥63.00购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
推荐语
推荐序
译者序
序 言
前 言
本书的目标读者
阅读路径
软件需求
致 谢
作者简介
资源与支持
配套资源
提交勘误
扫码关注本书
与我们联系
关于异步社区和异步图书
第一部分 导论
第1章 迁移学习简介
1.1 NLP领域典型任务概述
1.2 理解人工智能背景下的NLP技术
1.3 NLP发展简史
1.4 计算机视觉中的迁移学习
1.5 NLP迁移学习成为一个令人兴奋的研究课题的原因
小结
第2章 从头开始：数据预处理
2.1 垃圾电子邮件分类任务中示例数据的预处理
2.2 电影评论情感分类任务中示例数据的预处理
2.3 广义线性模型
小结
第3章 从头开始：基准测试和优化
3.1 基于决策树的模型
3.2 神经网络模型
3.3 效果优化
小结
第二部分 基于循环神经网络的浅层迁移学习和深度迁移学习
第4章 NLP浅层迁移学习
4.1 基于预训练词嵌入的半监督学习
4.2 基于高级表示的半监督学习
4.3 多任务学习
4.4 领域适配
小结
第5章 基于循环神经网络的深度迁移学习实验的数据预处理
5.1 表格分类数据的预处理
5.2 预处理示例数据的事实核查
小结
第6章 基于循环神经网络的NLP深度迁移学习
6.1 SIMOn
6.2 ELMo
6.3 ULMFiT
小结
第三部分 基于Transformer的深度迁移学习以及适配策略
第7章 基于Transformer的深度迁移学习和GPT
7.1 Transformer
7.2 GPT
小结
第8章 基于BERT和mBERT的NLP深度迁移学习
8.1 BERT
8.2 mBERT的跨语言学习
小结
第9章 ULMFiT与知识蒸馏的适配策略
9.1 逐步解冻和差别式微调
9.2 知识蒸馏
小结
第10章 ALBERT、适配器和多任务适配策略
10.1 嵌入因子分解与跨层参数共享
10.2 多任务微调
10.3 适配器
小结
第11章 总结
11.1 关键概念概述
11.2 其他新兴研究趋势
11.3 NLP迁移学习的发展方向
11.4 伦理和环境因素
11.5 最新进展
11.6 写在最后
附录A Kaggle入门
A.1 通过Kaggle Kernel免费使用GPU
A.2 竞赛、讨论区和博客
附录B 深度学习的基础工具简介
B.1 随机梯度下降
B.2 TensorFlow
B.3 PyTorch
B.4 Keras、fast.ai库和Hugging Face的transformers库
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
