资源|深度贝叶斯自然语言处理资料分享
点击上方“AI遇见机器学习”,选择“星标”公众号
重磅干货,第一时间送达
一、资源简介深度学习和贝叶斯的结合,以及如何在自然语言处理领域应用?本入门教程就介绍了NLP深度贝叶斯学习的最新研究进展,此类进展可应用于:语音识别、文本摘要、文本分类、文本分割、信息提取、图片标题生产、句子生成、对话控制、情感分类、推荐系统等问题中。从传统上说,“深度学习”被认为是一种学习的过程,其中的推理或优化环节,是通过real-valued deterministic模型实现的。从大型词表中提取出的单词、句子、实体、动作等语义结构,难以在数学或计算机程序中得到很好的表达。用于NLP的离散或连续隐变量模型中的“分布函数”可能无法被适当地分解或估计。简单的贝叶斯学习是利用参数的先验分布,由样本信息求来的后验分布,直接求出总体分布。贝叶斯学习理论使用概率去表示所有形式的不确定性,通过概率规则来实现学习和推理过程。而深度学习强大的拟合能力可以很好的应用于贝叶斯学习,具体如何操作,请详看该资料~
二、主要内容
下面是这份资料的主要目录,NLP领域的同学一定要看一下,很受启发~
- 背景与动机
- 概率模型
- 神经网络
- 推断与优化
- 变分贝叶斯推断
- 蒙特卡洛马尔可夫链推断
- 贝叶斯非参
- 层次主题模型
- Nested Indian buffet process
- deep unfolded主题模型
- 门式递归神经网络
- 贝叶斯递归神经网络
- 记忆增强神经网络
- seq2seq学习
- 卷积神经网络
- 扩大神经网络
- 注意力网络与transformer
- 深度贝叶斯序列学习
- 变分自编码器
- 变分递归自编码器
- 层次变分自编码器
- 随机递归神经网络
- 正规递归神经网络
- skip递归神经网络
- 马尔可夫递归神经网络
- 时序差分变分自编码器
- 未来的挑战以及优势
三、资源分享
同时为了方便大家,我们把最新资料打包好了,可以直接下载哦~
获取方式:
1. 关注我们的公众号“AI遇见机器学习”
2. 后台回复“深度贝叶斯学习” 即可以获取资料哈~(建议复制,避免错字)
推荐阅读
欢迎关注我们,看通俗干货!
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。