파이썬으로 배우는 자연어 처리 인 액션

PART I 말 많은 컴퓨터: NLP의 기초 1CHAPTER 1 사고의 단위: NLP의 개요 31.1 자연어 대 프로그래밍 언어 41.2 마법 5 1.2.1 대화하는 기계 6 1.2.2 수학 71.3 실제 응용들 91.4 컴퓨터의 ‘눈’으로 본 언어 11 1.4.1 자물쇠 언어 12 1.4.2 정규 표현식 13 1.4.3 간단한 챗봇 14 1.4.4 또 다른 방법 191.5 짧은 초공간 탐험 231.6 단어의 순서와 문법 251.7 챗봇의 자연어 처리 파이프라인 271.8 더 깊은 처리 301.9 자연어 IQ 32요약 35CHAPTER 2 나만의 어휘 구축: 단어 토큰화 372.1 어려운 문제: 어간 추출의 개요 392.2 토큰 생성기를 이용한 어휘 구축 40 2.2.1 내적 50 2.2.2 두 단어 모음의 중복 측정 51 2.2.3 토큰 개선 52 2.2.4 n-그램을 이용한 어휘 확장 58 2.2.5 어휘 정규화 662.3 감정 분석 76 2.3.1 VADER―규칙 기반 감정 분석기 78 2.3.2 단순 베이즈 모형 80요약 84CHAPTER 3 말 잘하는 수학: TF-IDF 벡터 853.1 단어 모음 863.2 벡터화 92 3.2.1 벡터 공간 953.3 지프의 법칙 1013.4 주제 모형화 104 3.4.1 돌아온 지프 108 3.4.2 관련성 순위 110 3.4.3 주요 도구: scikit-learn 112 3.4.4 여러 TF-IDF 정규화 방법 113 3.4.5 Okapi BM25 115 3.4.6 다음 단계 116요약 116CHAPTER 4 단어 빈도에서 의미 찾기: 의미 분석 1174.1 단어 빈도에서 주제 점수로 119 4.1.1 TF-IDF 벡터와 표제어 추출 119 4.1.2 주제 벡터 120 4.1.3 사고 실험 122 4.1.4 주제 점수를 매기는 알고리즘 127 4.1.5 LDA 분류기 1294.2 잠재 의미 분석(LSA) 134 4.2.1 사고 실험의 실현 1374.3 특잇값 분해 140 4.3.1 왼쪽 특이 벡터 행렬 U 142 4.3.2 특잇값 행렬 S 143 4.3.3 오른쪽 특이 벡터 행렬 VT 145 4.3.4 SVD 행렬의 방향 145 4.3.5 주제 절단 1464.4 주성분 분석(PCA) 148 4.4.1 3차원 벡터에 대한 PCA 150 4.4.2 말을 떠나 다시 NLP로 돌아가서 152 4.4.3 PCA를 이용한 문자 메시지 잠재 의미 분석 154 4.4.4 절단된 SVD를 이용한 문자 메시지 잠재 의미 분석 157 4.4.5 스팸 분류에 대한 LSA의 정확도 1584.5 잠재 디리클레 할당(LDiA) 161 4.5.1 LDiA의 기초 162 4.5.2 문자 메시지 말뭉치에 대한 LDiA 주제 모형 165 4.5.3 LDiA + LDA = 스팸 분류기 168 4.5.4 좀 더 공정한 비교: 주제가 32개인 LDiA 1714.6 거리와 유사도 1734.7 피드백에 기초한 방향 조정 176 4.7.1 선형 판별 분석(LDA) 1774.8 주제 벡터의 위력 179 4.8.1 의미 기반 검색 181 4.8.2 개선안 184요약 184PART II 더 깊은 학습: 신경망 적용 185CHAPTER 5 신경망 첫걸음: 퍼셉트론과 역전파 1875.1 신경망의 구성요소 188 5.1.1 퍼셉트론 189 5.1.2 디지털 퍼셉트론 190 5.1.3 치우침 단위 191 5.1.4 오차 곡면을 누비며 207 5.1.5 경사로를 따라 활강 208 5.1.6 흔들어서 탈출 210 5.1.7 케라스: 신경망 파이썬 구현 211 5.1.8 더 깊게 배우고 싶다면 215 5.1.9 정규화: 스타일 있는 입력 215요약 216CHAPTER 6 단어 벡터를 이용한 추론: word2vec 활용 2176.1 의미 기반 질의와 비유 218 6.1.1 비유 질문 2196.2 단어 벡터 221 6.2.1 벡터 지향적 추론 225 6.2.2 word2vec의 단어 표현 계산 228 6.2.3 gensim.word2vec 모듈 사용법 238 6.2.4 나만의 단어 벡터 모형 만들기 241 6.2.5 word2vec 대 GloVe 244 6.2.6 fastText 245 6.2.7 word2vec 대 LSA 246 6.2.8 단어 관계의 시각화 247 6.2.9 인위적인 단어들 254 6.2.10 doc2vec을 이용한 문서 유사도 추정 256요약 258CHAPTER 7 단어 순서를 고려한 의미 분석: 합성곱 신경망 2597.1 의미의 학습 2617.2 도구 모음 2627.3 합성곱 신경망 264 7.3.1 합성곱 신경망의 구조 264 7.3.2 단계 크기(보폭) 266 7.3.3 필터의 구성 266 7.3.4 여백 채우기 268 7.3.5 훈련(학습) 2707.4 다시 텍스트로 271 7.4.1 케라스로 합성곱 신경망 구현: 자료 준비 273 7.4.2 합성곱 신경망의 구조 279 7.4.3 풀링 280 7.4.4 드롭아웃 283 7.4.5 마지막 층 추가 284 7.4.6 모형의 저장 및 시험 286 7.4.7 모형을 NLP 파이프라인에 도입 289 7.4.8 나머지 이야기 290요약 292CHAPTER 8 돌고 도는 신경망: 순환 신경망 2938.1 과거를 아는 순환 신경망 296 8.1.1 시간에 대한 역전파 301 8.1.2 무엇을 언제 갱신하는가? 303 8.1.3 정리 306 8.1.4 항상 그렇듯이 함정이 있다 307 8.1.5 케라스를 이용한 순환 신경망 구현 3078.2 모형의 컴파일 3128.3 모형의 훈련 3158.4 초매개변수 조율 3168.5 예측 319 8.5.1 상태 유지 320 8.5.2 양방향 처리 321 8.5.3 순환층 출력의 의미 323요약 323CHAPTER 9 장단기 기억망(LSTM 망)을 이용한 기억 유지 개선 3259.1 장단기 기억망(LSTM 망) 327 9.1.1 시간에 대한 역전파 336 9.1.2 예제 문장으로 모형을 시험 339 9.1.3 더러운 자료 340 9.1.4 다시 더러운 자료로 돌아가서 344 9.1.5 단어보다 글자가 쉽다 345 9.1.6 말문이 열린 신경망 352 9.1.7 구체적인 예제 하나 354 9.1.8 무엇을 말할 것인가? 363 9.1.9 다른 종류의 기억 수단 363 9.1.10 더 깊이 들어가서 364요약 366CHAPTER 10 순차열 대 순차열 모형과 주의 메커니즘 36710.1 부호기-복호기 구조 368 10.1.1 생각 벡터의 복호화 369 10.1.2 비슷한 구조들 371 10.1.3 대화 생성을 위한 순차열 대 순차열 모형 373 10.1.4 LSTM 복습 37410.2 순차열 대 순차열 NLP 파이프라인 구축 375 10.2.1 순차열 대 순차열 훈련을 위한 자료 집합 준비 375 10.2.2 케라스의 순차열 대 순차열 모형 376 10.2.3 순차열 부호기 377 10.2.4 생각 벡터 복호기 379 10.2.5 순차열 대 순차열 신경망 조립 38010.3 순차열 대 순차열 신경망의 훈련 381 10.3.1 출력 순차열 생성 38110.4 순차열 대 순차열 신경망을 이용한 챗봇 구축 383 10.4.1 훈련 자료 준비 383 10.4.2 문자 사전 구축 384 10.4.3 원핫 부호화 훈련 집합 생성 385 10.4.4 순차열 대 순차열 챗봇의 훈련 386 10.4.5 순차열 생성을 위한 모형 설정 387 10.4.6 순차열 생성(예측) 387 10.4.7 응답문 생성 및 출력 388 10.4.8 챗봇과 대화 38910.5 개선안 390 10.5.1 버키팅을 이용한 학습 복잡도 감소 390 10.5.2 주의 메커니즘 39110.6 순차열 대 순차열 신경망의 실제 용도 393요약 395PART III 응용: 실제 NLP 문제들 39…

출처: 국립중앙도서관 서지정보