新書推薦：
《
日本公司法（第四版）
》
售價：NT$
913.0
《
故宫叙事：百年守宝传奇
》
售價：NT$
403.0
《
女性，战争与回忆 了解中国女性地位蜕变史
》
售價：NT$
347.0
《
失落世界的幻境：博物馆里的古生物复原艺术
》
售價：NT$
857.0
《
明仕录（真实还原明代精致生活）
》
售價：NT$
1015.0
《
文心雕龙义证（全四册）
》
售價：NT$
1622.0
《
国史大纲（上下册）（简体字版）
》
售價：NT$
500.0
《
长寿：逆转和延缓衰老的科学饮食（上下册）
》
售價：NT$
857.0
|
| 編輯推薦： |
“十四五”职业教育国家规划教材改版
紧贴“1+X大数据应用开发（Python）职业技能等级证书（高级）”考核标准，理论与任务高度融合，助力读者实现从入门到实战的技能跃迁
全面升级支持Python 3.11与Anaconda3 2024版本，涵盖高频词云、中文情感分析、命名实体识别、中文分词、向量化建模、文本聚类等一线实用任务
全新引入“大语言模型”专题章节，拓展NLP学习新边界，紧跟AI前沿发展趋势，满足智能应用开发需求
“素养目标+思维导图”教学设计，结合项目任务引导式学习模式，强化技能训练与创新思维培养
|
| 內容簡介： |
本书以Python中文自然语言处理的常用技术与真实案例相结合的方式，深入浅出地介绍Python中文自然语言处理的重要内容。全书共13章，内容包括绪论、语料库、正则表达式、中文分词、词性标注和命名实体识别、关键词提取、文本向量化、文本分类和文本聚类、文本情感分析、NLP中的深度学习技术、智能问答系统、大语言模型以及基于TipDM大数据挖掘建模平台实现垃圾短信分类。全书大部分章节都包含实训和课后习题，旨在通过练习和操作实践，帮助读者巩固所学的内容。
本书可用于“1+X”大数据应用开发（Python）职业技能等级证书（高级）的教学和培训，也可作为高校数据科学或人工智能相关专业的教材，还可作为自然语言处理爱好者的自学用书。
|
| 關於作者： |
|
肖刚，博士，教授。韩山师范学院数学与统计学院院长、广东省中小型企业大数据与智能化工程研究中心主任，华南师范大学、广州大学兼职硕士生导师。中国医学装备协会磁共振成像装备与技术专业委员会委员、广东省生物医学工程学会医学信息工程分会委员、广东省工业与应用数学学会、广东省现场统计学会和广东省计算数学学会理事，“泰迪杯”全国数据挖掘挑战赛专家组成员。主要从事应用数学、数据挖掘和医学影像学的研究工作以及创新创业竞赛、数学建模竞赛、数据挖掘挑战赛的教学与指导工作。主持广东省自然科学基金项目2项，主持广东省教育厅项目4项，以第一作者发表论文30余篇，其中SCI检索7篇。2016年广东省科学技术进步奖三等奖、2018年汕头科学技术奖一等奖、2019年广东省科学技术进步奖优秀奖以及2019年广东省教学成果（基础教育）一等奖主要成员。
|
| 目錄：
|
第 1章 绪论 1
1.1 NLP概述 2
1.1.1 NLP的发展历程 3
1.1.2 NLP的研究内容 4
1.1.3 NLP的应用 6
1.1.4 NLP与人工智能技术的关系 7
1.1.5 学习NLP的困难 7
1.1.6 中文NLP的挑战 8
1.2 中文NLP基本流程 9
1.2.1 语料获取 9
1.2.2 语料预处理 10
1.2.3 文本向量化 10
1.2.4 模型构建 10
1.2.5 模型训练 10
1.2.6 模型评价 11
1.3 NLP的Python开发环境 11
1.3.1 NLP与Python 11
1.3.2 Anaconda简介与安装 12
1.3.3 Anaconda中应用的简介 16
1.4 任务：构建中文文本高频词云图 22
小结 24
课后习题 25
第 2章 语料库 26
2.1 语料库概述 27
2.1.1 语料库的特点 27
2.1.2 语料库的用途 28
2.2 语料库种类与构建原则 29
2.2.1 语料库种类 29
2.2.2 语料库构建原则 29
2.3 语料库的获取 30
2.3.1 中文开源语料库 30
2.3.2 网络在线语料库 31
2.4 任务：网络在线语料分析 32
2.5 任务：构建电影评论语料库 34
小结 36
实训 36
实训1 构建语料库 36
实训2 《七剑下天山》语料库分析 36
课后习题 37
第3章 正则表达式 38
3.1 正则表达式简介 39
3.1.1 正则表达式的应用范围 39
3.1.2 正则表达式函数 40
3.1.3 正则表达式元字符 45
3.2 任务：正则表达式应用 49
3.2.1 常用正则表达式搭配 49
3.2.2 常用正则表达式示例 50
小结 54
实训 54
实训1 过滤《三国志》中的非中文字符 54
实训2 提取地名与邮编 54
实训3 提取网页标签中的文本 54
课后习题 55
第4章 中文分词 56
4.1 中文分词简介 57
4.1.1 中文分词的难点 57
4.1.2 中文分词方法 58
4.2 基于规则的分词 59
4.2.1 正向最大匹配法 59
4.2.2 逆向最大匹配法 61
4.2.3 双向最大匹配法 63
4.3 基于统计的分词 64
4.3.1 HMM 64
4.3.2 中文分词与HMM 68
4.4 基于深度学习的分词 70
4.4.1 基于深度学习的分词的主要步骤 70
4.4.2 基于深度学习的中文分词示例 71
4.5 中文分词工具jieba 75
4.5.1 jieba算法简介 76
4.5.2 jieba分词模式 76
4.6 任务：中文分词的应用 77
4.6.1 HMM中文分词 77
4.6.2 提取新闻文本的高频词 82
小结 84
实训 85
实训1 使用HMM进行中文分词 85
实训2 提取新闻文本中的高频词 85
课后习题 85
第5章 词性标注和命名实体识别 87
5.1 词性标注简介 88
5.2 词性标注模型 89
5.2.1 基于HMM的词性标注 89
5.2.2 基于深度学习的词性标注 91
5.3 基于jieba的词性标注 94
5.4 命名实体识别 95
5.4.1 命名实体识别简介 95
5.4.2 基于CRF模型的中文命名实体识别 95
5.4.3 基于深度学习的中文命名实体识别 99
5.5 任务：使用sklearn-crfsuite库进行中文命名实体识别 102
5.5.1 sklearn-crfsuite库简介 102
5.5.2 使用sklearn-crfsuite库进行中文命名实体识别的流程 102
小结 110
实训 中文命名实体识别 110
课后习题 110
第6章 关键词提取 112
6.1 关键词提取简介 113
6.2 关键词提取方法 113
6.2.1 基于统计的方法 113
6.2.2 基于语义的方法 118
6.3 任务：自动提取文本关键词 123
6.3.1 文本预处理 123
6.3.2 TF-IDF算法 125
6.3.3 TextRank算法 126
6.3.4 LSI算法 128
小结 130
实训 130
实训1 文本预处理 130
实训2 使用TF-IDF算法提取关键词 130
实训3 使用TextRank算法提取关键词 131
实训4 使用LSA算法提取关键词 131
课后习题 131
第7章 文本向量化 133
7.1 文本向量化简介 134
7.2 文本向量化的离散化表示 135
7.2.1 独热编码 135
7.2.2 BoW模型 136
7.2.3 TF-IDF方法 138
7.3 文本向量化的分布式表示 139
7.3.1 常见的文本向量化的分布式表示的方法 139
7.3.2 Word2Vec模型 140
7.3.3 Doc2Vec模型 145
7.4 任务：文本相似度计算 150
7.4.1 Word2Vec词向量的训练 150
7.4.2 Doc2Vec段落向量的训练 152
7.4.3 计算文本相似度 153
小结 158
实训 159
实训1 实现基于Word2Vec模型的新闻语料词向量训练 159
实训2 实现基于Doc2Vec模型的新闻语料段落向量训练 159
实训3 使用Word2Vec模型和Doc2Vec模型计算新闻文本的相似度 159
课后习题 160
第8章 文本分类和文本聚类 161
8.1 文本挖掘简介 162
8.2 文本分类 163
8.2.1 文本分类算法 163
8.2.2 文本分类的应用 164
8.2.3 中文文本分类的步骤 164
8.3 文本聚类 166
8.3.1 文本聚类算法 166
8.3.2 文本聚类的应用 167
8.3.3 中文文本聚类的步骤 167
8.4 任务：垃圾短信分类 169
8.4.1 数据读取 170
8.4.2 数据预处理 171
8.4.3 词频统计 172
8.4.4 分类 174
8.4.5 模型评价 175
8.5 任务：新闻文本聚类 175
8.5.1 数据读取 176
8.5.2 文本预处理 177
8.5.3 特征提取 177
8.5.4 聚类 178
8.5.5 模型评价 179
小结 180
实训 180
实训1 基于朴素贝叶斯的新闻分类 180
实训2 书名文本聚类分析 180
课后习题 181
第9章 文本情感分析 182
9.1 文本情感分析简介 183
9.1.1 文本情感分析的主要内容 183
9.1.2 文本情感分析的常见应用 192
9.2 文本情感分析的常用方法 193
9.2.1 基于情感词典的分析方法 193
9.2.2 机器学习方法 195
9.2.3 深度学习方法 199
9.3 任务：基于情感词典的文本情感分析 202
9.4 任务：基于机器学习的文本情感分析 205
9.4.1 基于朴素贝叶斯分类的文本情感分析 205
9.4.2 基于snownlp的文本情感分析 208
小结 209
实训 209
实训1 基于情感词典的豆瓣评论文本情感分析 209
实训2 基于朴素贝叶斯的豆瓣评论文本情感分析 209
实训3 基于snownlp的豆瓣评论文本情感分析 209
课后习题 210
第 10章 NLP中的深度学习技术 211
10.1 RNN概述 212
10.2 RNN结构 213
10.2.1 多对一结构 213
10.2.2 等长的多对多结构 214
10.2.3 非等长结构 216
10.3 任务：基于LSTM的文本分类与情感分析 218
10.3.1 文本分类 218
10.3.2 情感分析 228
10.4 任务：基于Seq2Seq的机器翻译 233
10.4.1 语料预处理 233
10.4.2 构建模型 237
10.4.3 定义优化器及损失函数 240
10.4.4 训练模型 241
10.4.5 翻译 243
小结 245
实训 245
实训1 实现基于LSTM的文本分类 245
实训2 实现基于LSTM的情感分析 246
实训3 实现基于Seq2Seq的机器翻译 246
课后习题 247
第 11章 智能问答系统 248
11.1 智能问答系统简介 249
11.2 智能问答系统的主要组成部分 250
11.2.1 问题理解 250
11.2.2 知识检索 250
11.2.3 答案生成 251
11.3 任务：基于Seq2Seq的智能问答系统 252
11.3.1 读取语料 252
11.3.2 语料预处理 253
11.3.3 模型构建 257
11.3.4 模型训练 263
11.3.5 模型评价 271
小结 271
实训 基于Seq2Seq模型的聊天机器人 271
课后习题 272
第 12章 大语言模型 273
12.1 大语言模型简介 274
12.2 中文大语言模型 275
12.2.1 国内中文大语言模型 275
12.2.2 调用大语言模型API 276
12.3 讯飞星火认知大模型 277
12.3.1 讯飞星火认知大模型简介 277
12.3.2 调用讯飞星火认知大模型API 277
12.4 讯飞星火认知大模型API程序开发应用 278
12.4.1 常见应用 279
12.4.2 API开发应用示例 279
小结 284
实训 API开发相关应用 284
课后习题 285
第 13章 基于TipDM大数据挖掘建模平台实现垃圾短信分类 286
13.1 在TipDM大数据挖掘建模平台上配置垃圾短信分类示例的流程 287
13.2 数据读取 289
13.3 数据预处理 290
13.4 模型构建与训练 303
小结 304
实训 基于TipDM大数据挖掘建模平台实现基于朴素贝叶斯的新闻分类 304
课后习题 304
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
