数据科学和人工智能是令人着迷的计算领域。微软在这些新技术上下了很大的赌注,但我们也知道,数据科学家都是训练有素的专业人士,并不是每个软件开发人员都能创建和维护复杂的数据模型,执行线性代数或购买昂贵的GPU设备来运行这些模型。这正是我们创造认知服务的原因。这套服务提供了预训练模型,您可以使用开箱即用的模型来执行视觉、语音、知识、搜索和语言方面的操作。在本次会议上,微软的云开发者倡导者Laurent Bugnion将向您展示如何使用认知服务增强应用程序的高级功能,如何使用自己的数据细化训练过的模型,以及如何将认知服务与其他Azure服务集成以实现任务自动化。

成为VIP会员查看完整内容
0
45

相关内容

了解深度学习,不同模型的细微差别,以及这些模型可以应用的地方。

丰富的数据和对优质产品/服务的需求,推动了先进的计算机科学技术的发展,其中包括图像和语音识别。通过机器学习和深度学习建立在数据科学的基础上,《使用R进行深度学习的介绍》提供了对执行这些任务的模型的理论和实践理解。这个分步指南将帮助您理解这些规程,以便您可以在各种上下文中应用该方法。所有的例子都是用R统计语言教授的,允许学生和专业人员使用开源工具来实现这些技术。

你将学习 理解支持深度学习模型的直觉和数学 利用各种算法使用R编程语言和它的包 使用最佳实践进行实验设计和变量选择 作为一个数据科学家,实践方法来接近和有效地解决问题 评估算法解决方案的有效性并增强其预测能力

这本书是给谁的

熟悉使用R编程的学生、研究人员和数据科学家也可以使用这本书来学习如何在最有用的应用程序中适当地部署这些算法。

成为VIP会员查看完整内容
0
10

考虑到当今使用的各种大数据应用程序的复杂性,cpu密集型的数据处理任务已经变得至关重要。降低每个进程的CPU利用率对于提高应用程序的总体速度非常重要。

这本书将教你如何执行计算的并行执行,将它们分布在一台机器的多个处理器上,从而提高大数据处理任务的整体性能。我们将讨论同步和异步模型、共享内存和文件系统、各种进程之间的通信、同步等等。

你会学到什么

  • 介绍并行计算和分布式计算
  • 同步和异步编程
  • 探索Python中的并行性
  • 分布式应用
  • 云中的Python
  • 在HPC集群上的Python
  • 测试和调试分布式应用程序
成为VIP会员查看完整内容
0
27

介绍使用spaCy使用Python进行自然语言处理,spaCy是一个领先的Python自然语言处理库。

使用Python和spaCy进行自然语言处理将向您展示如何快速轻松地创建聊天机器人、文本压缩脚本和订单处理工具等NLP应用程序。您将了解如何利用spaCy库智能地从文本中提取含义;如何确定句子中词语之间的关系(句法依赖分析);识别名词、动词和其他词类(词性标注);并将专有名词分类,如人员、组织和地点(识别命名实体)。你甚至会学到如何将陈述转换成问题来保持对话的进行。您还将学习如何:

  • 使用单词向量进行数学运算,找到含义相似的单词(第5章)
  • 使用spaCy内置的displaCy visualizer识别数据中的模式(第7章)
  • 自动从用户输入中提取关键字并将其存储在关系数据库中(第9章)
  • 部署聊天机器人应用程序,在互联网上与用户互动(第11章)

每一章的“尝试这个”部分鼓励您通过扩展该书的示例脚本来处理更广泛的输入、添加错误处理和构建专业质量的应用程序,从而实践您所学到的知识。在本书的最后,您将使用Python和spaCy创建自己的NLP应用程序。

https://nostarch.com/NLPPython

Yuli Vasiliev是一名程序员、自由撰稿人和顾问,专门从事开源开发、Oracle数据库技术和自然语言处理。

Introduction

Chapter 1: How Natural Language Processing Works Chapter 2: The Text-Processing Pipeline Chapter 3: Working with Container Objects and Customizing spaCy Chapter 4: Extracting and Using Linguistic Features Chapter 5: Working with Word Vectors Chapter 6: Finding Patterns and Walking Dependency Trees Chapter 7: Visualizations Chapter 8: Intent Recognition Chapter 9: Storing User Input in a Database Chapter 10: Training Models Chapter 11: Deploying Your Own Chatbot Chapter 12: Implementing Web Data and Processing Images Linguistic Primer

成为VIP会员查看完整内容
0
29

使用谷歌Dialogflow循序渐进、亲身实践地构建可用于生产的企业认知虚拟助理。这本书提供了各种认知技术选择的概述,并深入探讨了认知虚拟代理,以处理各种行业(如旅游和天气)中复杂的现实生活用例。

您将更深入地研究实现诸如输入/输出上下文、后续意图、操作和参数以及处理复杂的多重意图等功能的认知虚拟助理的高级功能。通过将您的认知机器人与Facebook messenger集成,您将了解如何与第三方消息传递平台集成。您还将与第三方api集成,以使用webhook丰富您的认知机器人。

使用谷歌Dialogflow的认知虚拟助理消除了认知平台的复杂性,并提供丰富的指导,您可以在开发自己的认知机器人时使用。本书深入介绍了谷歌对话框流,并从基础开始,为那些刚开始使用谷歌对话框流的开发人员提供了一个实际的指导。本书中提供的所有代码都将以脚本和配置文件的形式提供,这允许您尝试示例并以有趣的方式扩展它们。

你会学到什么

  • 利用谷歌Dialogflow技术开发认知机器人
  • 使用高级功能来处理复杂的对话场景
  • 通过了解用户的情绪来丰富机器人的对话
  • 参见开发认知机器人的最佳实践
  • 通过与第三方服务集成来增强认知机器人
成为VIP会员查看完整内容
0
37

这本书向你展示了如何建立实时图像处理系统,一直到家庭自动化。了解如何开发一个基于32位ARM处理器的系统,通过语音命令实现完全控制

实时图像处理系统被广泛应用于各种应用中,如交通监控系统、医学图像处理和生物特征安全系统。在使用深度神经网络的实时物联网成像中,您将学习如何使用Java和OpenCV的包装器来利用最佳的DNN模型来检测图像中的对象。在为远程编程准备Visual Studio代码时,仔细看看Java脚本是如何在Raspberry Pi上工作的。您还将获得有关图像和视频脚本的见解。作者Nicolas Modrzyk向您展示了如何使用Rhasspy语音平台来添加一个强大的语音助手,并从您的计算机上完全运行和控制您的Raspberry Pi。

为了让您的语音意图为家庭自动化做好准备,您将探索Java如何连接到MQTT并处理参数化的Rhasspy语音命令。有了语音控制系统,您就可以在选定的环境中执行简单的任务,比如检测猫、人和咖啡壶。隐私和自由是至关重要的,因此优先考虑使用开源软件和设备上的语音环境,在这种环境中,您可以完全控制您的数据和视频流。你的语音指令是你自己的,而且只是你自己的。

随着物联网和机器学习的发展,前沿的图像处理系统提供了完整的过程自动化。这本实用的书教你建立这样一个系统,给你完全的控制与最小的努力。

你会学到什么:

  • 通过创建OpenCV过滤器显示掌握
  • 执行YOLO DNN模型进行图像检测
  • 在Raspberry Pi 4上应用最好的Java脚本
  • 为实时远程编程准备设置
  • 使用Rhasspy语音平台来处理语音命令和增强您的家庭自动化设置

这本书是写给谁的: 工程师和爱好者希望使用他们喜欢的JVM在Raspberry Pi上运行对象检测和网络

成为VIP会员查看完整内容
0
32

Enterprise Java Microservices是一个示例丰富的教程,展示了如何将大型Java应用程序设计和管理为一个微服务集合。

对这项技术

当您从小型、简单的组件构建大型应用程序时,它们更容易开发和维护。Java开发人员现在可以使用各种支持微服务应用程序开发的工具,包括适当大小的应用程序服务器、开放源码框架和定义良好的模式。最重要的是,您可以使用现有的Java技能构建微服务应用程序。

关于这本书

Enterprise Java Microservices教会您设计和构建基于jvm的微服务应用程序。您将首先了解微服务设计与传统Java EE应用程序的比较。作者Ken Finnigan介绍了一些基本概念以及实现这些概念所需的工具和技术。您将发现用于容错的生态系统组件,如Netflix Hystrix,并掌握恰到好处的应用服务器(JeAS)方法。为了确保顺利运行,您还将检查监视、安全性、测试和部署到云上。

成为VIP会员查看完整内容
0
25

简介:

利用先进的架构开发和优化深度学习模型。这本书教你复杂的细节和微妙的算法是卷积神经网络的核心。在高级应用深度学习中,你将学习CNN的高级主题和使用Keras和TensorFlow的对象检测。

在此过程中,将了解CNN中的基本操作,如卷积和池,然后了解更高级的体系结构,如先启网络、resnets等。在本书讨论理论主题的同时,您将通过许多技巧和技巧发现如何有效地使用Keras,包括如何使用自定义回调类自定义登录Keras、什么是即时执行以及如何在模型中使用它。最后,您将研究对象检测如何工作,并在Keras和TensorFlow中构建YOLO算法的完整实现。在这本书的最后,你将在Keras中实现各种各样的模型,并学习到许多将你的技能带到下一个层次的高级技巧。

这本书将会让我们学到:

  • 了解卷积神经网络和对象检测的工作原理
  • 将重量和模型保存在磁盘上
  • 暂停训练,稍后再重新开始
  • 在代码中使用硬件加速(gpu)
  • 使用数据集TensorFlow抽象并使用预训练模型和传输学习
  • 删除和添加层到预先训练的网络,以适应您的具体项目
  • 将预先训练好的模型(如Alexnet和VGG16)应用于新数据集

作者:

Umberto Michelucci,TOELT llc的创始人,该公司专注于人工智能科学研究。同样是数值模拟、统计学、数据科学和机器学习方面的专家。多年来,他不断拓展研究生课程和研究项目的专业知识。除了在乔治华盛顿大学(美国)和奥格斯堡大学(DE)有几年的研究经验,他还有15年的数据库、数据科学和机器学习的实践经验。他目前在Helsana Versicherung AG公司负责深度学习、新技术和研究。

成为VIP会员查看完整内容
0
34

简介:

基于现代TensorFlow方法而不是过时的工程概念来构建自己的pipline。本书中展示了如何为现实的TensorFlow项目构建深度学习pipline。

通过学习本书将了解pipline是什么以及如何工作,以便可以轻松快速地构建完整的应用程序。然后解决并克服Tensorflow的基本障碍,轻松创建功能应用程序并部署训练有素的模型。本书分步并举例可帮助读者了解深度学习流程的每个步骤,同时将最直接,最有效的工具应用于演示性问题和数据集。

读者还将通过准备数据,选择适合该数据的模型并调试模型以使用Tensorflow技术使最适合数据的方式来开发深度学习项目。通过访问一些最新的数据科学趋势来增强您的技能。如果您曾经考虑过构建自己的图像或文本标记解决方案或参加Kaggle竞赛,那么Deep Learning Pipeline将会非常适合!

本书中包括:

  • 使用数据开发深度学习项目
  • 研究各种模型并将其应用于自己的数据
  • 对适合数据的适当模型进行调试和故障排除

目录:

作者介绍: Hisham El-Amir是一位数据科学家,在机器学习,深度学习和统计方面拥有专业知识。 他目前在埃及开罗生活和工作。 在他的工作项目中,主要面临着从自然语言处理(NLP),行为分析,机器学习到分布式处理的挑战。

Mahmoud Hammy是一位在埃及工作和生活的机器学习工程师。 他的主要研究领域是知识,逻辑,语言和学习之间的重叠。 他致力于训练机器学习和深度学习模型,以通过使用从深度学习到统计关系学习的方法,将大量的非结构化,半结构化和结构化数据分配到关于世界的新知识中。

成为VIP会员查看完整内容
0
100

主题: Deep Natural Language Processing for Search Systems

简介: 搜索引擎处理丰富的自然语言数据,如用户查询和记录。提高搜索质量需要有效地处理和理解这类信息,通常使用自然语言处理技术。作为搜索系统中的代表性数据格式,查询或记录数据被表示为单词序列。在传统方法中,理解这样的序列信息通常是一项非常重要的任务,面临着来自数据稀疏性和数据泛化的挑战。深度学习模型提供了一个有效提取有代表性的相关信息的机会,从而更好地理解复杂的语义和潜在的搜索意图。近年来,深度学习在各种自然语言处理任务中取得了显著的进步,显示出其在促进搜索系统方面的巨大潜力。

然而,开发搜索系统中自然语言处理的深度学习模型不可避免地需要满足复杂的搜索引擎生态系统的要求。例如,一些系统需要频繁的模型更新,所以冗长的模型训练时间是不容许的。此外,低服务延迟约束禁止使用复杂模型。如何以相对较低的复杂度保持模型质量是深度学习从业者面临的持续挑战。

在本教程中,作者总结了当前在搜索系统中自然语言处理的深度学习工作,首先概述了搜索系统和搜索中的自然语言处理,然后介绍了自然语言处理的深度学习的基本概念,并介绍了如何将深度自然语言处理应用于搜索系统的实践。本教程全面概述了通过端到端搜索系统在上述组件中应用深度自然语言处理技术。除了传统的搜索引擎,还包括一些高级搜索系统的用例,如对话搜索和面向任务的聊天机器人。我们还强调了几个重要的未来趋势,比如通过查询生成与用户交互,以及减少延迟以满足行业标准。

成为VIP会员查看完整内容
Deep Natural Language Processing for Search Systems.pdf
0
49
Top