将深度学习方法应用于各种自然语言处理任务，可以让你的算法在速度和准确性方面提升到一个全新的水平。本书首先介绍自然语言处理领域的基本构件，着介绍使用*的神经网络模型可以解决的问题。深研究各种神经网络架构及其特定的应用领域将有助于你理解如何选择*模型来满足你的需求。随着学习的深，你将学到卷积神经网络、循环神经网络、递归神经网络以及长短期记忆网络。在后面的章节中，你将能够使用自然语言处理技术（如注意力机制模型和集束搜索）发应用程序。 学完本书，你不仅能具备自然语言处理的基础知识，还能选择适合的文本预处理和神经网络模型来解决一些自然语言处理的问题。 本书能帮助你： 了解深度学习问题的各种预处理技术。 用word2vec和GloVe构建文本的矢量表示。 使用Apache OpenNLP创建命名实体识别器和词性标注器。 在Keras中构建机器翻译模型。 用LSTM发文本生成应用程序。 使用注意力模型构建触发词检测应用程序。 将深度学习方法应用于各种自然语言处理任务，可以让你的算法在速度和准确性方面提升到一个全新的水平。本书首先介绍自然语言处理领域的基本构件，着介绍使用*的神经网络模型可以解决的问题。深研究各种神经网络架构及其特定的应用领域将有助于你理解如何选择*模型来满足你的需求。随着学习的深，你将学到卷积神经网络、循环神经网络、递归神经网络以及长短期记忆网络。在后面的章节中，你将能够使用自然语言处理技术（如注意力机制模型和集束搜索）发应用程序。 学完本书，你不仅能具备自然语言处理的基础知识，还能选择适合的文本预处理和神经网络模型来解决一些自然语言处理的问题。 本书能帮助你： 了解深度学习问题的各种预处理技术。 用word2vec和GloVe构建文本的矢量表示。 使用Apache OpenNLP创建命名实体识别器和词性标注器。 在Keras中构建机器翻译模型。 用LSTM发文本生成应用程序。 使用注意力模型构建触发词检测应用程序。

卡蒂克·雷迪·博卡（Karthiek Reddy Bokka） 语音和音频机器学习工程师，毕业于南加州大学，目前在波特兰的 Bi-amp Systems公司工作。他的兴趣包括深度学习、数字信号和音频处理、自然语言处理以及计算机视觉。他拥有设计、构建和部署人工智能应用程序的经验，这些应用程序可以用各种形式的实际数据（包括图像、语音、音乐、非结构化原始数据等）来解决现实世界中的问题。 舒班吉·霍拉（Shubhangi Hora） Python发者、人工智能爱好者和作家。她有计算机科学和心理学背景，对与心理健康相关的人工智能特别感兴趣。她住在印度浦那，热衷于通过机器学习和深度学习来推自然语言处理。除此之外，她还喜欢表演艺术，是一名训练有素的音乐家。 塔努吉·贾因（Tanuj Jain） 在德国公司工作的数据科学家。他一直在发深度学习模型，并将其投生产以商用。他对自然语言处理特别感兴趣，并将自己的专业知识应用于分类和情感评级任务。他拥有电气工程硕士学位，主要研究统计模式识别。 莫尼卡·瓦姆布吉（Monicah Wambugu） 金融技术公司的首席数据科学家，该公司通过利用数据、机器学习和分析来提供小额贷款，以执行替代信用评分。她是加州大学伯克利分校信息管理与系统硕士研究生。Monicah对如何利用数据科学和机器学习来设计产品和应用程序，以满足目标受众的行为和社会经济需求特别感兴趣。