<style id="x9zu3"></style>

<style id="x9zu3"><track id="x9zu3"><kbd id="x9zu3"></kbd></track></style><style id="x9zu3"><track id="x9zu3"><kbd id="x9zu3"></kbd></track></style>

上傳

創(chuàng)作中心

有聲出版

客戶端

基于深度學習的自然語言處理

>

基于深度學習的自然語言處理

5.7萬

神經(jīng)網(wǎng)絡(luò)，機器學習，深度學習，自然語言處理

聲音（191）評價（1）

正序?|?倒序

21.2 未來的挑戰(zhàn)
192
5年前
21.1 我們學到了什么
123
5年前
20.5前景
100
5年前
20.4.4條件生成:多語言機器翻譯,句法分析以及圖像描述生成
102
5年前
20.4.3介詞詞義消歧與介詞翻譯預(yù)測
101
5年前
20.4.2弧標注與句法分析
116
5年前
20.4.1眼動預(yù)測與句子壓縮
106
5年前
20.3半監(jiān)督學習
128
5年前
20.2.6 注意事項
84
5年前
20.2.5作為正則的多任務(wù)學習
88
5年前
20.2.4條件生成中的多任務(wù)學習
87
5年前
20.2.3作為多任務(wù)學習的詞嵌入預(yù)訓練
76
5年前
20.2.2選擇性共享
105
5年前
20.2.1多任務(wù)設(shè)置下的訓練
73
5年前
20.2多任務(wù)學習
89
5年前
20.1模型級聯(lián)
86
5年前
20級聯(lián)，多任務(wù)與半監(jiān)督學習
89
5年前
19.4.3基于柱搜索的NER-CRF近似
92
5年前
19.4.2基于Neural_CRF的命名實體識別
98
5年前
19.4.1 基于搜索的結(jié)構(gòu)化預(yù)測:一階依存句法分析
86
5年前
19.3條件生成與結(jié)構(gòu)化輸出預(yù)測
95
5年前
19.2 貪心結(jié)構(gòu)化預(yù)測
76
5年前
19.1.6 參考閱讀
95
5年前
19.1.5重排序
90
5年前
19.1.4 近似搜索
78
5年前
19.1.3概率目標函數(shù)CRF
81
5年前
19.1.2非線性結(jié)構(gòu)化預(yù)測
93
5年前
19.1.1基于線性模型的結(jié)構(gòu)化預(yù)測
90
5年前
19.1基于搜索的結(jié)構(gòu)化預(yù)測
87
5年前
19結(jié)構(gòu)化輸出預(yù)測
78
5年前
18.5 前景
78
5年前
18.4 一種簡單的替代線性化樹
89
5年前
18.3遞歸神經(jīng)網(wǎng)絡(luò)的訓練
107
5年前
18.2擴展和變體
95
5年前
18.1形式化定義
96
5年前
18用遞歸神經(jīng)網(wǎng)絡(luò)對樹建模
115
5年前
17.5.3句法分析
90
5年前
17.5.2形態(tài)屈折
92
5年前
17.5.1機器翻譯
143
5年前
17.5 自然語言處理中基于注意力機制的模型
146
5年前
17.4.2可解釋型
109
5年前
17.4.1計算復(fù)雜性
94
5年前
17.4結(jié)合注意力機制的條件生成
111
5年前
17.3無監(jiān)督的句子相似性
101
5年前
17.2.3其他條件上下文
78
5年前
17.2.2應(yīng)用
112
5年前
17.2.1序列到序列模型
101
5年前
17.2條件生成
88
5年前
17.1RNN生成器
132
5年前
17條件生成
87
5年前
16.2.3弧分解依存句法分析
126
5年前
16.2.2 RNN,CNN文本分類
141
5年前
16.2.1詞性標注
114
5年前
16.1接收器
88
5年前
16通過循環(huán)網(wǎng)絡(luò)建模
93
5年前
15.5應(yīng)用到RNN中的丟棄機制
95
5年前
15.4其它變體
99
5年前
15.3.2門限循環(huán)單元
102
5年前
15.3.1長短期記憶網(wǎng)絡(luò)
111
5年前
15.3 門結(jié)構(gòu)
117
5年前
15.2 簡單RNN
107
5年前
15.1 作為RNN的CBOW
110
5年前
15 實際的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
121
5年前
14.7文獻閱讀的注意事項
105
5年前
14.6 用于表示棧的RNN
122
5年前
14.5 堆疊RNN
112
5年前
14.4雙向RNN
183
5年前
14.3.3傳感器
125
5年前
14.3.2編碼器
140
5年前
14.3.1 接收器
120
5年前
14.2 RNN的訓練
119
5年前
14.1RNN抽象描述
129
5年前
14 循環(huán)神經(jīng)網(wǎng)絡(luò):序列和斬建模
144
5年前
13.3 層次化卷積
120
5年前
13.2其他選擇:特征哈希
120
5年前
13.1.3 變體
111
5年前
13.1.2 向量池化
147
5年前
13.1.1 文本上的一維卷積
169
5年前
13.1 基礎(chǔ)卷積+池化
140
5年前
第13章 n元語法探測器:卷積神經(jīng)網(wǎng)絡(luò)
171
5年前
第三部分特殊的結(jié)構(gòu)
136
5年前
12.2 文本相似網(wǎng)絡(luò)
144
5年前
12.1 自然語言推理與SNLI數(shù)據(jù)集
241
5年前
12 案例分析:一種用于句子意義推理的前饋結(jié)構(gòu)
136
5年前
11.9實用性和陷阱
123
5年前
11.8改裝和映射
130
5年前
11.7 詞的類比
138
5年前
11.5 同中選異 11.6 短文檔相似度
113
5年前
11.3 詞聚類 11.4 尋找相似詞
149
5年前
11.2 詞的相似度
155
5年前
11.1 詞向量的獲取
154
5年前
10.7 分布式方法的限制
157
5年前
10.6 處理多字單元和字變形
180
5年前
10.5.5基于字符級別和子詞的表示
122
5年前
10.5.4 多語種
134
5年前
10.5.2 句子,段落或文檔10.5.3 句法窗口
121
5年前
10.5.1 窗口方法
221
5年前
10.4.4其他算法
146
5年前
10.4.3 詞語聯(lián)系
135
5年前
10.4.2 從神經(jīng)語言模型到分布式表示
188
5年前

專輯主播

簡介：讀書是一種生活方式。

TA的專輯

<style id="sqa8l"></style>