日本免费全黄少妇一区二区三区-高清无码一区二区三区四区-欧美中文字幕日韩在线观看-国产福利诱惑在线网站-国产中文字幕一区在线-亚洲欧美精品日韩一区-久久国产精品国产精品国产-国产精久久久久久一区二区三区-欧美亚洲国产精品久久久久

  1. 首頁 > 云知道 > >

太空第二課完整版,tkde( 二 )

云知道tkde


本書第一章首先回顧了 NLP 的基礎(chǔ)知識以及本書后續(xù)章節(jié)所涵蓋的 NLP 的主要范圍，然后深入探討了 NLP 的歷史發(fā)展，總結(jié)為三大浪潮和未來方向 。第 2-10 章對應(yīng)用于 NLP 的深度學(xué)習(xí)最新進(jìn)展進(jìn)行了深入研究，分為九個單獨的章節(jié)，每個章節(jié)涵蓋 NLP 的一個（很大程度上是獨立的）應(yīng)用領(lǐng)域 。每章的主體由在各自領(lǐng)域積極工作的主要研究人員和專家撰寫 。
目錄如下：Chapter 1: 深度學(xué)習(xí)與自然語言簡介（鄧力，劉洋）Chapter 2: 對話理解系統(tǒng)中的深度學(xué)習(xí)（Gokhan Tur, Asli Celikyilmaz，何曉冬，Dilek Hakkani-Tür, 鄧力）Chapter 3: 語音與文本對話系統(tǒng)中的深度學(xué)習(xí)（Asli Celikyilmaz, 鄧力, and Dilek Hakkani-Tür）Chapter 4: 語法與詞法分析中的深度學(xué)習(xí)（車萬翔 張岳）Chapter 5: 知識圖譜中的深度學(xué)習(xí)（劉知遠(yuǎn)，韓先培）Chapter 6: 機器學(xué)習(xí)中的深度學(xué)習(xí)（劉洋，張家俊）Chapter 7: 問答系統(tǒng)中的深度學(xué)習(xí)（劉康，馮巖松）Chapter 8: 情感分析中的深度學(xué)習(xí)（唐都鈺，張梅山）Chapter 9: 社交計算中的深度學(xué)習(xí)（趙鑫，李晨亮）Chapter 10: 看圖說話中的深度學(xué)習(xí)（何曉冬，鄧力）Chapter 11: 后記（鄧力，劉洋）在調(diào)查了應(yīng)用深度學(xué)習(xí)的 NLP 領(lǐng)域的突出成功之后，作者指出并分析了當(dāng)前深度學(xué)習(xí)技術(shù)的幾個主要局限性，涉及一般以及更具體的 NLP 領(lǐng)域 。
這項調(diào)查為 NLP 指出了五個未來的前沿發(fā)展方向：神經(jīng) - 符號整合框架、探索更好的記憶模型、更好地利用知識，以及更好的深度學(xué)習(xí)范式（包括無監(jiān)督和生成學(xué)習(xí)、多模態(tài)和多任務(wù)學(xué)習(xí)和元學(xué)習(xí)） 。整本書共有 11 章，包含了深度學(xué)習(xí)在 NLP 中各個領(lǐng)域的研究與應(yīng)用，并且在全書的最后一部分，作者們討論了基于 DL 的 NLP 如何擴展到更為通用領(lǐng)域 。
泛化的本質(zhì)是將深度神經(jīng)網(wǎng)絡(luò)（如：參數(shù)化功能塊的計算圖表）從靜態(tài)轉(zhuǎn)為動態(tài) 。這意味著泛化可以使由許多可微分模型組成的網(wǎng)絡(luò)架構(gòu)以數(shù)據(jù)相關(guān)的方式進(jìn)行實時創(chuàng)建 。正如本書很多章節(jié)中使用邏輯表達(dá)式、條件、賦值和循環(huán)等進(jìn)行程序化編程，在可微分編程模型中，涉及到存儲、注意、堆棧、隊列和指針模塊的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)亦如此實現(xiàn) 。
實際上，當(dāng)前的深度學(xué)習(xí)框架（如： PyTorch, TensorFlow, Chainer, MXNet, CNTK 等）更要追求模型的靈活性，因為一旦高效的編譯器被開發(fā)出來，我們將需采用一個全新的軟件實現(xiàn)方式 。以循環(huán)和條件判斷為主的傳統(tǒng)編程邏輯將被淘汰，取而代之的是由神經(jīng)網(wǎng)絡(luò)實現(xiàn)的參數(shù)化功能模塊的組裝圖表 。
其中的關(guān)鍵技術(shù)在于，基于模型的可微分性，使用高效的梯度優(yōu)化方法，通過端到端的反向傳播學(xué)習(xí)從數(shù)據(jù)中自動訓(xùn)練出組裝圖表中的所有參數(shù)，比如神經(jīng)網(wǎng)絡(luò)的權(quán)重以及定義網(wǎng)絡(luò)非線性和存儲模塊的參數(shù) ?？傊?，相信在不久的將來，以廣義深度學(xué)習(xí)或可微分編程框架所創(chuàng)建的更加強大、更加靈活、更加先進(jìn)的學(xué)習(xí)架構(gòu)可以解決本書中所列舉的 NLP 前沿研究領(lǐng)域的遺留問題 。
不止于本書中所提及的研究成果，新的成就將會像雨后春筍般涌現(xiàn)，這一切都將會使我們越來越接近通用人工智能實現(xiàn)的日子 。那時，NLP 將會成為通用人工智能的一個重要組成部分呈現(xiàn)在大家面前 。此外，讀者可以看看原書語言建模與基于注意力的機器翻譯兩小節(jié)截圖，從而對整本書的風(fēng)格與內(nèi)容有大概的了解：作者介紹主編鄧力博士（人工智能科學(xué)家），2017 年 5 月至今任對沖基金公司 Citadel 首席人工智能官（Chief Artificial-Intelligence Officer） 。
之前任微軟人工智能首席科學(xué)家 。鄧力在 2009 年就同 Geoffrey Hinton 教授合作，首次提出并將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到大規(guī)模語言識別中，顯著提高了機器對語音的識別率，極大推動了人機交互領(lǐng)域的發(fā)展與進(jìn)步 。目前，鄧力的研究方向主要為應(yīng)用于大數(shù)據(jù)、語音、文本、圖像和多模態(tài)處理的深度學(xué)習(xí)和機器智能方法，以及人工智能和深度學(xué)習(xí)在金融領(lǐng)域的應(yīng)用 。

推薦閱讀