С огромным ростом и повсеместным распространением глубокого обучения и обработки естественного языка (НЛП) мы часто обращаемся к нескольким книгам, исследовательским работам и веб-сайтам для получения последней информации и методов. Растет потребность в едином всеобъемлющем ресурсе, который предоставляет руководство по новейшим методам глубокого обучения для NLP и речевых приложений. Помня об этой цели, мои коллеги (Удай Камат и Джимми Уитакер) и я решили написать учебник, который понравится практикам НЛП, студентам и всем, кто интересуется недавними подходами к глубокому обучению и НЛП. техники.
Мы рады анонсировать нашу книгу Глубокое обучение для НЛП и распознавания речи, изданную Springer. Нашей миссией было написать книгу, которая служила бы:
- Исчерпывающий ресурс, который включает в себя элементарные принципы глубокого обучения, текста и речи и передовые современные нейронные архитектуры.
- Готовый справочник по методам глубокого обучения, применимым к распространенным приложениям НЛП и распознавания речи.
- Полезный ресурс по успешным архитектурам и алгоритмам с подробным объяснением основных математических идей.
- Подробный справочник и сравнение новейших подходов к сквозной нейронной обработке речи
- Обзорный ресурс по передовым технологиям трансферного обучения, адаптации предметной области и глубокого обучения с подкреплением для текста и речи.
- Полевое руководство по практическим аспектам использования этих методов с советами и приемами, необходимыми для реальных приложений.
- Практическое руководство по использованию библиотек на основе Python, таких как Keras, TensorFlow и PyTorch, для применения этих методов в контексте реальных примеров.
Организация
Книга состоит из трех частей:
- Часть 1 знакомит с основами машинного обучения, НЛП и речи. Он служит введением или обзором основ машинного обучения, обработки текста и речи.
- Часть 2 знакомит с основами глубокого обучения, встраивания слов и распознавания речи. Он основан на концепциях части 1, чтобы дать читателям четкое представление о строительных блоках для передовых методов. Он начинается с введения в глубокое обучение и продолжается распределенными представлениями, сверточными нейронными сетями (CNN) и рекуррентными нейронными сетями (RNN). Наконец, он охватывает концепции автоматического распознавания речи (ASR).
- В части 3 рассматриваются передовые методы и последние исследования механизмов внимания, передачи и многозадачного обучения, обучения с подкреплением и приложений сквозного глубокого обучения для текста и речи. Эта часть предназначена для продвинутых студентов и практиков. Все начинается с внимания и сетей с расширенной памятью. Затем в нем представлены концепции трансферного обучения, самообучения и многозадачного обучения, а затем продолжаются некоторые из самых захватывающих последних достижений в области трансферного обучения и адаптации предметной области. Он завершается обсуждением передовых концепций сквозного распознавания речи и глубокого обучения с подкреплением для текста и речи.
На протяжении всей книги мы представляем ключевые концепции и используем различные фреймворки и библиотеки для изучения современных исследований и практических приложений. В конце каждой главы читатели найдут тематические исследования, в которых применяются концепции, представленные в этой главе. Эти кейсы также доступны в репозиториях GitHub.
Вывод
С растущим интересом к глубокому обучению и НЛП для текста и речи трудно найти исчерпывающий справочник, охватывающий текущие знания. Мы стремились создать исчерпывающий ресурс, охватывающий как теорию, так и практику. Мы надеемся, что читатели сочтут эту книгу полезной как учебник, так и практическое руководство по глубокому обучению для НЛП и речевых приложений.
Amazon: ссылка на книгу
Springer: ссылка на книгу