Palash Goyal 是一名高级数据科学家，目前从事将数据科学和深度学习用于在线营销领域的工作。他曾在印度理工学院（IIT）的Guwahati分校学习数学和计算机科学，毕业后他开始在快节奏环境中工作。他在电子商务、旅游、保险和银行等行业拥有丰富的经验，热衷于数学和金融。他利用深度学习和强化学习技术进行价格预测与投资组合管理，在业余时间管理他的多种加密货币和首次代币发行（ICO）。他追踪数据科学领域的趋势，并在博客http://madoverdata.com上分享这些趋势。他还会在空闲时发表与智慧农业相关的文章。

Sumit Pandey 毕业于印度理工学院（IIT）的Kharagpur分校，曾在AXA Business Services工作了大约一年，担任数据科学顾问。他目前正在创办自己的企业。

Karan Jain 是Sigtuple公司的一名产品分析师，他在那里研究尖端的AI驱动诊断产品。此前，他曾在医疗保健解决方案公司Vitrana担任数据科学家。他喜欢在快节奏的数据初创公司工作。在闲暇时间，Karan深入涉猎基因组学、BCI接口和光遗传学。最近，他对用于便携式诊断的POC设备和纳米技术产生了兴趣。Karan在LinkedIn上有3000多名粉丝。

本书以循序渐进的方式从理论过渡到实践，首先介绍基础知识，然后是基础数学，最后是相关示例的实现。

前三章介绍NLP的基础知识，从 常用的Python库开始，然后是词向量表示，再到高级算法，例如用于文本数据的神经网络。

最后两章完全侧重于实现，运用广泛流行的Python工具TensorFlow和Keras，处理诸如RNN、长短期记忆（LSTM）网络、seq2seq等复杂架构。我们尽最大努力遵循循序渐进的方法，最后集合全部知识构建一个问答系统。

译者序

前言

致谢

关于作者

关于技术审校人员

第1章　自然语言处理和深度学习概述  1

1.1　Python包  2

1.1.1　NumPy  2

1.1.2　Pandas  6

1.1.3　SciPy  9

1.2　自然语言处理简介  11

1.2.1　什么是自然语言处理  11

1.2.2　如何理解人类的语言  11

1.2.3　自然语言处理的难度是什么  11

1.2.4　我们想通过自然语言处理获得什么  13

1.2.5　语言处理中的常用术语  13

1.3　自然语言处理库  14

1.3.1　NLTK  14

1.3.2　TextBlob  15

1.3.3　SpaCy  17

1.3.4　Gensim  19

1.3.5　Pattern  20

1.3.6　Stanford CoreNLP  21

1.4　NLP入门  21

1.4.1　使用正则表达式进行文本搜索  21

1.4.2　将文本转换为列表  21

1.4.3　文本预处理  22

1.4.4　从网页中获取文本  22

1.4.5　移除停止词  23

1.4.6　计数向量化  23

1.4.7　TF-IDF分数  24

1.4.8　文本分类器  25

1.5　深度学习简介  25

1.6　什么是神经网络  27

1.7　神经网络的基本结构  29

1.8　神经网络的类型  32

1.8.1　前馈神经网络  33

1.8.2　卷积神经网络  33

1.8.3　循环神经网络  33

1.8.4　编码器-解码器网络  34

1.8.5　递归神经网络  35

1.9　多层感知器  35

1.10　随机梯度下降  37

1.11　反向传播  40

1.12　深度学习库  42

1.12.1　Theano  42

1.12.2　Theano安装  43

1.12.3　Theano示例  44

1.12.4　TensorFlow  45

1.12.5　数据流图  46

1.12.6　TensorFlow安装  47

1.12.7　TensorFlow示例  47

1.12.8　Keras  49

1.13　下一步  52

第2章　词向量表示  53

2.1　词嵌入简介  53

2.2　word2vec  56

2.2.1　skip-gram模型  58

2.2.2　模型成分：架构  58

2.2.3　模型成分：隐藏层  58

2.2.4　模型成分：输出层  60

2.2.5　CBOW模型  61

2.3　频繁词二次采样  61

2.4　word2vec代码  64

2.5　skip-gram代码  67

2.6　CBOW代码  75

2.7　下一步  83

第3章　展开循环神经网络  85

3.1　循环神经网络  86

3.1.1　什么是循环  86

3.1.2　前馈神经网络和循环神经网络之间的差异  87

3.1.3　RNN基础  88

3.1.4　自然语言处理和RNN  91

3.1.5　RNN的机制  93

3.1.6　训练RNN  96

3.1.7　RNN中隐藏状态的元意义  98

3.1.8　调整RNN  99

3.1.9　LSTM网络  99

3.1.10　序列到序列模型  105

3.1.11　高级seq2seq模型  109

3.1.12　序列到序列用例  113

3.2　下一步  122

第4章　开发聊天机器人  123

4.1　聊天机器人简介  123

4.1.1　聊天机器人的起源  124

4.1.2　聊天机器人如何工作  125

4.1.3　为什么聊天机器人拥有如此大的商机  125

4.1.4　开发聊天机器人听起来令人生畏  126

4.2　对话型机器人  127

4.3　聊天机器人：自动文本生成  141

4.4　下一步  170

第5章　实现研究论文：情感分类  171

5.1　基于自注意力机制的句子嵌入  172

5.1.1　提出的方法  173

5.1.2　可视化  178

5.1.3　研究发现  181

5.2　实现情感分类  181

5.3　情感分类代码  182

5.4　模型结果  191

5.5　可提升空间  196

5.6　下一步  196

......