自然语言处理理论与实战
第1章基础入门
1.1什么是自然语言处理
1.1.1自然语言处理概述
1.1.2自然语言处理的发展历史
1.1.3自然语言处理的工作原理
1.1.4自然语言处理的应用前景
1.2开发工具与环境
1.2.1SublimeText和Anaconda介绍
1.2.2开发环境的安装与配置
1.3实战：个小程序的诞生
1.3.1实例介绍
1.3.2源码实现
第2章快速上手Python
2.1初识Python编程语言
2.1.1Python概述
2.1.2Python能做什么
2.1.3Python的语法和特点
2.2Python进阶
2.2.1HelloWorld
2.2.2语句和控制流
2.2.3函数
2.2.4List列表
2.2.5元组
2.2.6set集合
2.2.7字典
2.2.8面向对象编程：类
2.2.9标准库
2.3Python深入——第三方库
2.3.1Web框架
2.3.2科学计算
2.3.3GUI
2.3.4其他库
第3章线性代数
3.1线性代数介绍
3.2向量
3.2.1向量定义
3.2.2向量表示
3.2.3向量定理
3.2.4向量运算
3.3矩阵
3.3.1矩阵定义
3.3.2矩阵表示
3.3.3矩阵运算
3.3.4线性方程组
3.3.5行列式
3.3.6特征值和特征向量
3.4距离计算
3.4.1余弦距离
3.4.2欧氏距离
3.4.3曼哈顿距离
3.4.4明可夫斯基距离
3.4.5切比雪夫距离
3.4.6杰卡德距离
3.4.7汉明距离
3.4.8标准化欧式距离
3.4.9皮尔逊相关系数
第4章概率论
4.1概率论介绍
4.2事件
4.2.1随机试验
4.2.2随机事件和样本空间
4.2.3事件的计算
4.3概率
4.4概率公理
4.5条件概率和全概率
4.5.1条件概率
4.5.2全概率
4.6贝叶斯定理
4.7信息论
4.7.1信息论的基本概念
4.7.2信息度量
第5章统计学
5.1图形可视化
5.1.1饼图
5.1.2条形图
5.1.3热力图
5.1.4折线图
5.1.5箱线图
5.1.6散点图
5.1.7雷达图
5.1.8仪表盘
5.1.9可视化图表用法
5.2数据度量标准
5.2.1平均值
5.2.2中位数
5.2.3众数
5.2.4期望
5.2.5方差
5.2.6标准差
5.2.7标准分
5.3概率分布
5.3.1几何分布
5.3.2二项分布
5.3.3正态分布
5.3.4泊松分布
5.4统计假设检验
5.5相关和回归
5.5.1相关
5.5.2回归
5.5.3相关和回归的联系
第6章语言学
6.1语音
6.1.1什么是语音
6.1.2语音的三大属性
6.1.3语音单位
6.1.4记音符号
6.1.5共时语流音变
6.2词汇
6.2.1什么是词汇
6.2.2词汇单位
6.2.3词的构造
6.2.4词义及其分类
6.2.5义项与义素
6.2.6语义场
6.2.7词汇的构成
6.3语法
6.3.1什么是语法
6.3.2词类
6.3.3短语
6.3.4单句
6.3.5复句
第7章自然语言处理
7.1自然语言处理的任务和限制
7.2自然语言处理的主要技术范畴
7.2.1语音合成
7.2.2语音识别
7.2.3中文自动分词
7.2.4词性标注
7.2.5句法分析
7.2.6文本分类
7.2.7文本挖掘
7.2.8信息抽取
7.2.9问答系统
7.2.10机器翻译
7.2.11文本情感分析
7.2.12自动摘要
7.2.13文字蕴涵
7.3自然语言处理的难点
7.3.1语言环境复杂
7.3.2文本结构形式多样
7.3.3边界识别限制
7.3.4词义消歧
7.3.5指代消解
7.4自然语言处理展望
第8章语料库
8.1语料库浅谈
8.2语料库深入
8.3自然语言处理工具包：NLTK
8.3.1NLTK简介
8.3.2安装NLTK
8.3.3使用NLTK
8.3.4在PythonNLTK下使用StanfordNLP
8.4获取语料库
8.4.1国内外著名语料库
8.4.2网络数据获取
8.4.3NLTK获取语料库
8.5综合案例：走进大秦帝国
8.5.1数据采集和预处理
8.5.2构建本地语料库
8.5.3大秦帝国语料操作
第9章中文自动分词
9.1中文分词简介
9.2中文分词的特点和难点
9.3常见中文分词方法
9.4典型中文分词工具
9.4.1HanLP中文分词
9.4.2其他中文分词工具
9.5结巴中文分词
9.5.1基于Python的结巴中文分词
9.5.2结巴分词工具详解
9.5.3结巴分词核心内容
9.5.4结巴分词基本用法
第１0章数据预处理
10.1数据清洗
10.2分词处理
10.3特征构造
10.4特征降维与选择
10.4.1特征降维
10.4.2特征选择
10.5简单实例
10.6本章小结
第１1章马尔可夫模型
11.1马尔可夫链
11.1.1马尔可夫简介
11.1.2马尔可夫链的基本概念
11.2隐马尔可夫模型
11.2.1形式化描述
11.2.2数学形式描述
11.3向前算法解决HMM似然度
11.3.1向前算法定义
11.3.2向前算法原理
11.3.3现实应用：预测成都天气的冷热
11.4文本序列标注案例：Viterbi算法
第１2章条件随机场
12.1条件随机场介绍
12.2简单易懂的条件随机场
12.2.1CRF的形式化表示
12.2.2CRF的公式化表示
12.2.3深度理解条件随机场
第１3章模型评估
13.1从统计角度介绍模型概念
13.1.1算法模型
13.1.2模型评估和模型选择
13.1.3过拟合与欠拟合的模型选择
13.2模型评估与选择
13.2.1模型评估的概念
13.2.2模型评估的评测指标
13.2.3以词性标注为例分析模型评估
13.2.4模型评估的几种方法
13.3ROC曲线比较学习器模型
第１4章命名实体识别
14.1命名实体识别概述
14.2命名实体识别的特点与难点
14.3命名实体识别方法
14.4中文命名实体识别的核心技术 14.5展望
第１5章自然语言处理实战
15.1GitHub数据提取与可视化分析
15.1.1了解GitHub的API
15.1.2使用NetworkX作图
15.1.3使用NetworkX构建兴趣图
15.1.4NetWorkX部分统计指标
15.1.5构建GitHub的兴趣图
15.1.6可视化
15.2微博话题爬取与存储分析
15.2.1数据采集
15.2.2数据提取
15.2.3数据存储
15.2.4项目运行与分析
附录APython与其他语言调用
附录BGit项目上传简易教程
参考文献
唐聃，教授，中科院工学博士。现工作于成都信息工程大学软件工程学院。研究方向包括自然语言处理、信息安全、数据分析。曾参与多项国家863项目和中科院知识创新工程项目、省科技厅和教育厅项目；2016年入选中国科学院西部之光人才计划（中国科学院西部青年学者）。 本书分四个部分，靠前部分主要介绍基础知识，包括认识机器学习和自然语言处理、快速上手Python、线性代数、概率论和统计学；第二部分主要介绍自然语言处理技术，包括自然语言处理介绍、语料库技术、中文分词、数据预处理、马尔科夫模型、条件随机场、模型评估、剖析自然处理工具背后的原理；第三部分主要介绍机器学习技术，包括认识机器学习、常见机器学习算法、机器学习算法案例源码实现。第四部分主要介绍工程项目实践，包括Python项目实战、自然语言处理项目实战、机器学习结合自然语言处理综合项目实战。
1.1什么是自然语言处理
1.1.1自然语言处理概述
1.1.2自然语言处理的发展历史
1.1.3自然语言处理的工作原理
1.1.4自然语言处理的应用前景
1.2开发工具与环境
1.2.1SublimeText和Anaconda介绍
1.2.2开发环境的安装与配置
1.3实战：个小程序的诞生
1.3.1实例介绍
1.3.2源码实现
第2章快速上手Python
2.1初识Python编程语言
2.1.1Python概述
2.1.2Python能做什么
2.1.3Python的语法和特点
2.2Python进阶
2.2.1HelloWorld
2.2.2语句和控制流
2.2.3函数
2.2.4List列表
2.2.5元组
2.2.6set集合
2.2.7字典
2.2.8面向对象编程：类
2.2.9标准库
2.3Python深入——第三方库
2.3.1Web框架
2.3.2科学计算
2.3.3GUI
2.3.4其他库
第3章线性代数
3.1线性代数介绍
3.2向量
3.2.1向量定义
3.2.2向量表示
3.2.3向量定理
3.2.4向量运算
3.3矩阵
3.3.1矩阵定义
3.3.2矩阵表示
3.3.3矩阵运算
3.3.4线性方程组
3.3.5行列式
3.3.6特征值和特征向量
3.4距离计算
3.4.1余弦距离
3.4.2欧氏距离
3.4.3曼哈顿距离
3.4.4明可夫斯基距离
3.4.5切比雪夫距离
3.4.6杰卡德距离
3.4.7汉明距离
3.4.8标准化欧式距离
3.4.9皮尔逊相关系数
第4章概率论
4.1概率论介绍
4.2事件
4.2.1随机试验
4.2.2随机事件和样本空间
4.2.3事件的计算
4.3概率
4.4概率公理
4.5条件概率和全概率
4.5.1条件概率
4.5.2全概率
4.6贝叶斯定理
4.7信息论
4.7.1信息论的基本概念
4.7.2信息度量
第5章统计学
5.1图形可视化
5.1.1饼图
5.1.2条形图
5.1.3热力图
5.1.4折线图
5.1.5箱线图
5.1.6散点图
5.1.7雷达图
5.1.8仪表盘
5.1.9可视化图表用法
5.2数据度量标准
5.2.1平均值
5.2.2中位数
5.2.3众数
5.2.4期望
5.2.5方差
5.2.6标准差
5.2.7标准分
5.3概率分布
5.3.1几何分布
5.3.2二项分布
5.3.3正态分布
5.3.4泊松分布
5.4统计假设检验
5.5相关和回归
5.5.1相关
5.5.2回归
5.5.3相关和回归的联系
第6章语言学
6.1语音
6.1.1什么是语音
6.1.2语音的三大属性
6.1.3语音单位
6.1.4记音符号
6.1.5共时语流音变
6.2词汇
6.2.1什么是词汇
6.2.2词汇单位
6.2.3词的构造
6.2.4词义及其分类
6.2.5义项与义素
6.2.6语义场
6.2.7词汇的构成
6.3语法
6.3.1什么是语法
6.3.2词类
6.3.3短语
6.3.4单句
6.3.5复句
第7章自然语言处理
7.1自然语言处理的任务和限制
7.2自然语言处理的主要技术范畴
7.2.1语音合成
7.2.2语音识别
7.2.3中文自动分词
7.2.4词性标注
7.2.5句法分析
7.2.6文本分类
7.2.7文本挖掘
7.2.8信息抽取
7.2.9问答系统
7.2.10机器翻译
7.2.11文本情感分析
7.2.12自动摘要
7.2.13文字蕴涵
7.3自然语言处理的难点
7.3.1语言环境复杂
7.3.2文本结构形式多样
7.3.3边界识别限制
7.3.4词义消歧
7.3.5指代消解
7.4自然语言处理展望
第8章语料库
8.1语料库浅谈
8.2语料库深入
8.3自然语言处理工具包：NLTK
8.3.1NLTK简介
8.3.2安装NLTK
8.3.3使用NLTK
8.3.4在PythonNLTK下使用StanfordNLP
8.4获取语料库
8.4.1国内外著名语料库
8.4.2网络数据获取
8.4.3NLTK获取语料库
8.5综合案例：走进大秦帝国
8.5.1数据采集和预处理
8.5.2构建本地语料库
8.5.3大秦帝国语料操作
第9章中文自动分词
9.1中文分词简介
9.2中文分词的特点和难点
9.3常见中文分词方法
9.4典型中文分词工具
9.4.1HanLP中文分词
9.4.2其他中文分词工具
9.5结巴中文分词
9.5.1基于Python的结巴中文分词
9.5.2结巴分词工具详解
9.5.3结巴分词核心内容
9.5.4结巴分词基本用法
第１0章数据预处理
10.1数据清洗
10.2分词处理
10.3特征构造
10.4特征降维与选择
10.4.1特征降维
10.4.2特征选择
10.5简单实例
10.6本章小结
第１1章马尔可夫模型
11.1马尔可夫链
11.1.1马尔可夫简介
11.1.2马尔可夫链的基本概念
11.2隐马尔可夫模型
11.2.1形式化描述
11.2.2数学形式描述
11.3向前算法解决HMM似然度
11.3.1向前算法定义
11.3.2向前算法原理
11.3.3现实应用：预测成都天气的冷热
11.4文本序列标注案例：Viterbi算法
第１2章条件随机场
12.1条件随机场介绍
12.2简单易懂的条件随机场
12.2.1CRF的形式化表示
12.2.2CRF的公式化表示
12.2.3深度理解条件随机场
第１3章模型评估
13.1从统计角度介绍模型概念
13.1.1算法模型
13.1.2模型评估和模型选择
13.1.3过拟合与欠拟合的模型选择
13.2模型评估与选择
13.2.1模型评估的概念
13.2.2模型评估的评测指标
13.2.3以词性标注为例分析模型评估
13.2.4模型评估的几种方法
13.3ROC曲线比较学习器模型
第１4章命名实体识别
14.1命名实体识别概述
14.2命名实体识别的特点与难点
14.3命名实体识别方法
14.4中文命名实体识别的核心技术 14.5展望
第１5章自然语言处理实战
15.1GitHub数据提取与可视化分析
15.1.1了解GitHub的API
15.1.2使用NetworkX作图
15.1.3使用NetworkX构建兴趣图
15.1.4NetWorkX部分统计指标
15.1.5构建GitHub的兴趣图
15.1.6可视化
15.2微博话题爬取与存储分析
15.2.1数据采集
15.2.2数据提取
15.2.3数据存储
15.2.4项目运行与分析
附录APython与其他语言调用
附录BGit项目上传简易教程
参考文献
唐聃，教授，中科院工学博士。现工作于成都信息工程大学软件工程学院。研究方向包括自然语言处理、信息安全、数据分析。曾参与多项国家863项目和中科院知识创新工程项目、省科技厅和教育厅项目；2016年入选中国科学院西部之光人才计划（中国科学院西部青年学者）。 本书分四个部分，靠前部分主要介绍基础知识，包括认识机器学习和自然语言处理、快速上手Python、线性代数、概率论和统计学；第二部分主要介绍自然语言处理技术，包括自然语言处理介绍、语料库技术、中文分词、数据预处理、马尔科夫模型、条件随机场、模型评估、剖析自然处理工具背后的原理；第三部分主要介绍机器学习技术，包括认识机器学习、常见机器学习算法、机器学习算法案例源码实现。第四部分主要介绍工程项目实践，包括Python项目实战、自然语言处理项目实战、机器学习结合自然语言处理综合项目实战。
精选留言