介绍

这本书在保持非常务实的教导和结果导向付出很大的精力。构建聊天机器人不只是完成一个教程或遵循几个步骤,它本身就是一种技能。这本书肯定不会用大量的文本和过程让你感到无聊;相反,它采用的是边做边学的方法。到目前为止,在你的生活中,你肯定至少使用过一个聊天机器人。无论你是不是一个程序员,一旦你浏览这本书,你会发现构建模块的聊天机器人,所有的奥秘将被揭开。建立聊天机器人可能看起来很困难,但这本书将让你使它如此容易。我们的大脑不是用来直接处理复杂概念的;相反,我们一步一步地学习。当你读这本书的时候,从第一章到最后一章,你会发现事情的进展是多么的清晰。虽然你可以直接翻到任何一章,但我强烈建议你从第一章开始,因为它肯定会支持你的想法。这本书就像一个网络系列,你在读完一章之后就无法抗拒下一章的诱惑。在阅读完这本书后,你所接触到的任何聊天机器人都会在你的脑海中形成一幅关于聊天机器人内部是如何设计和构建的画面。

这本书适合谁?

这本书将作为学习与聊天机器人相关的概念和学习如何建立他们的一个完整的资源。那些将会发现这本书有用的包括: Python web开发人员希望扩大他们的知识或职业到聊天机器人开发。 学生和有抱负的程序员想获得一种新的技能通过亲身体验展示的东西,自然语言爱好者希望从头开始学习。 企业家如何构建一个聊天机器人的伟大的想法,但没有足够的技术关于如何制作聊天机器人的可行性信息。 产品/工程经理计划与聊天机器人相关项目。

如何使用这本书?

请记住,这本书的写作风格和其他书不一样。读这本书的时候要记住,一旦你完成了这本书,你就可以自己建造一个聊天机器人,或者教会别人如何建造一个聊天机器人。在像阅读其他书籍一样阅读这本书之前,务必记住以下几点:

  • 这本书涵盖了构建聊天机器人所需的几乎所有内容,而不是现有内容。
  • 这本书是关于花更多的时间在你的系统上做事情的,这本书就在你身边。确保您执行每个代码片段并尝试编写代码;不要复制粘贴。
  • 一定要按照书中的步骤去做;如果你不理解一些事情,不要担心。你将在本章的后面部分了解到。
  • 可以使用本书所提供的源代码及Jupyter NoteBook作为参考。

内容概要

  • Chapter 1: 在本章中,你将从商业和开发人员的角度了解与聊天机器人相关的事情。这一章为我们熟悉chatbots概念并将其转换为代码奠定了基础。希望在本章结束时,你会明白为什么你一定要为自己或你的公司创建一个聊天机器人。
  • Chapter 2: 在本章中会涉及聊天机器人的自然语言处理,你将学习到聊天机器人需要NLP时应该使用哪些工具和方法。这一章不仅教你在NLP的方法,而且还采取实际的例子和演示与编码的例子。本章还讨论了为什么使用特定的NLP方法可能需要在聊天机器人。注意,NLP本身就是一种技能。
  • Chapter 3: 在本章中,你将学习如何使用像Dialogflow这样的工具以一种友好而简单的方式构建聊天机器人。如果你不是程序员,你肯定会喜欢它,因为它几乎不需要编程技能。
  • Chapter 4:在本章中,你将学习如何以人们想要的方式构建聊天机器人。标题说的很艰难,但一旦你完成了前一章,你会想要更多,因为这一章将教如何建立内部聊天机器人从零开始,以及如何使用机器学习算法训练聊天机器人。
  • Chapter 5:在本章中,部署你的聊天机器人纯粹是设计给你的聊天机器人应用一个最后的推动。当你经历了创建聊天机器人的简单和艰难的过程后,你肯定不想把它留给自己。你将学习如何展示你的聊天机器人到世界使用Facebook和Slack,最后,整合他们在你自己的网站。
成为VIP会员查看完整内容
Building Chatbots with Python.pdf
0
108

相关内容

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

当前关于机器学习方面的资料非常丰富:Andrew NG在Coursera上的机器学习教程、Bishop的《机器学习与模式识别》 和周志华老师的《机器学习》都是非常好的基础教材;Goodfellow等人的《深度学习》是学习深度学习技术的首选资料;MIT、斯坦福等名校的公开课也非常有价值;一些主要会议的Tutorial、keynote也都可以在网上搜索到。然而,在对学生们进行培训的过程中, 我深感这些资料专业性很强,但入门不易。一方面可能是由于语言障碍,另一个主要原因在于机器学习覆盖 面广,研究方向众多,各种新方法层出不穷,初学者往往在各种复杂的名词,无穷无尽的 算法面前产生畏难情绪,导致半途而废。

本书的主体内容是基于该研讨班形成的总结性资料。基于作者的研究背景,这本书很难说 是机器学习领域的专业著作,而是一本学习笔记,是从一个机器学习 技术使用者角度对机器学习知识的一次总结,并加入我们在本领域研究中的一些经验和发现。与其说是一本教材,不如说是一本科普读物, 用轻松活泼的语言和深入浅出的描述为初学者打开机器学习这扇充满魔力的大门。打开大门以后,我们会发现这是个多么让人激动人心的 领域,每天都有新的知识、新的思路、新的方法产生,每天都有令人振奋的成果。我们希望这本书 可以让更多学生、工程师和相关领域的研究者对机器学习产生兴趣,在这片异彩纷呈的海域上找到 属于自己的那颗贝壳。

强烈推荐给所有初学机器学习的人,里面有: 书籍的pdf 课堂视频 课堂slides 各种延伸阅读 MIT等世界名校的slides 学生的学习笔记等

成为VIP会员查看完整内容
0
99

对于语音计算领域的开发者来说,这是一个激动人心的时刻:谷歌上每4次搜索中就有1次是支持语音的,亚马逊Alexa刚刚超过1万个技能,WhatsApp上每天完成1亿个通话。但是你从哪里开始学习如何在这个领域编码呢?

无论您是一位经验丰富的开发人员还是刚刚起步,这本书都将指导您使用Python构建基于语音的应用程序。

  • 了解如何读/写、记录、清洁、加密、回放、转码、转录、压缩、发布、饱和化、建模和可视化语音文件
  • 从零开始创建自己的语音计算机和语音助手
  • 在Docker和Kubernetes上设计前沿的微服务服务器架构
  • 在GitHub存储库中访问200多个初始脚本
  • 参与到更大的开源语音社区中
成为VIP会员查看完整内容
0
55

Python Workout提供了50个练习,重点是Python 3的关键特性。在这本书中,Python专家教练鲁文·勒纳(Reuven Lerner)通过一系列小项目指导你,练习你处理日常任务所需的技能。你会喜欢每个技巧的清晰解释,你可以观看Reuven解决每个练习的视频。

https://www.manning.com/books/python-workout

在过去的几年中,Python已经进入了许多领域,包括系统管理、数据科学、devops、文本处理和Web开发。因此,现在有许多课程和书籍旨在教授Python。

本书分为10章,每一章涵盖Python的不同领域。总的来说,随着本书的发展,问题会变得越来越复杂——但这并不意味着我要等到“函数”一章才开始使用函数,或者等到“函数编程”一章才开始理解函数。你可以使用任何你认为必要的工具。

每一章都以一个参考表开始,包括链接,指向可能帮助你更好地理解你已经忘记或从未学过的主题的资源。我希望这些将帮助您加强对Python的理解,而不仅仅是本书本身。

除了练习和解决方案,还有视频,在其中我演示如何解决每个问题,并添加到我在书中的讨论。解决方案和你在书中读到的一样,但对很多人来说,视频让整个过程更加生动;你会在我的现场培训课程中得到更多的感觉。此外,查看编码和解决过程的时间变化通常很有帮助,而不是在页面上一次性查看所有内容。使用视频片段的最佳方法是同时打开该书和视频(在Manning的liveVideo平台中)。对于每个练习,从书开始,完成每个练习,如果你喜欢,阅读解决方案和讨论。然后点击相应的视频片段,看我演示解决方案,并为讨论提供进一步的见解。

成为VIP会员查看完整内容
0
57

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
132

机器学习已经成为许多商业应用和研究项目中不可或缺的一部分,但这一领域并不仅限于拥有广泛研究团队的大公司。如果您使用Python,即使是初学者,这本书也会教你构建自己的机器学习解决方案的实用方法。今天,有了所有可用的数据,机器学习应用程序只受限于你的想象力。

您将学习使用Python和scikit-learn库创建成功的机器学习应用程序所需的步骤。两位作者安德烈亚斯•穆勒(Andreas Muller)和萨拉•圭多(Sarah Guido)关注的是使用机器学习算法的实践层面,而不是背后的数学。熟悉NumPy和matplotlib库将有助于您从本书获得更多信息。

通过这本书,你会学到 :

  • 机器学习的基本概念和应用
  • 广泛应用的机器学习算法的优缺点
  • 如何表示机器学习处理过的数据,包括关注哪些数据方面
  • 先进的模型评估和参数调整方法
  • 用于链接模型和封装工作流的管道概念
  • 处理文本数据的方法,包括特定于文本的处理技术
  • 提高机器学习和数据科学技能的建议
成为VIP会员查看完整内容
0
87

从设计和原型设计到测试、部署和维护,Python在许多方面都很有用,它一直是当今最流行的编程语言之一。这本实用的书的第三版提供了对语言的快速参考——包括Python 3.5、2.7和3.6的突出部分——它庞大的标准库中常用的区域,以及一些最有用的第三方模块和包。

本书非常适合具有一些Python经验的程序员,以及来自其他编程语言的程序员,它涵盖了广泛的应用领域,包括web和网络编程、XML处理、数据库交互和高速数字计算。了解Python如何提供优雅、简单、实用和强大功能的独特组合。

这个版本包括:

  • Python语法、面向对象的Python、标准库模块和第三方Python包
  • Python对文件和文本操作、持久性和数据库、并发执行和数值计算的支持
  • 网络基础、事件驱动编程和客户端网络协议模块
  • Python扩展模块,以及用于打包和分发扩展、模块和应用程序的工具
成为VIP会员查看完整内容
0
114

使用Python进行自然语言处理(NLP),学习如何设置健壮环境来执行文本分析。这第二版经历了一个重大的修改,并介绍了几个重要的变化和基于NLP的最新趋势的新主题。

您将了解如何在NLP中使用最新的、最先进的框架,以及机器学习和深度学习模型,用于Python支持的监督情感分析,以解决实际的案例研究。首先回顾Python中关于字符串和文本数据的NLP基础知识,然后讨论文本数据的工程表示方法,包括传统的统计模型和新的基于深度学习的嵌入模型。本文还讨论了解析和处理文本的改进技术和新方法。

文本摘要和主题模型已经全面修订,因此本书展示了如何在NIPS会议论文的兴趣数据集上下文中构建、调整和解释主题模型。此外,这本书涵盖了文本相似性技术与现实世界的电影推荐人的例子,以及情绪分析使用监督和非监督的技术。还有一章专门讨论语义分析,您将了解如何从头构建自己的命名实体识别(NER)系统。虽然该书的整体结构保持不变,但整个代码库、模块和章节都已更新到最新的Python 3。x版本。

你将学习

  • 理解NLP和文本的语法、语义和结构
  • 发现文本清理和功能工程
  • 回顾文本分类和文本聚类
  • 评估文本摘要和主题模型
  • 学习NLP的深度学习

这本书是给谁的

  • IT专业人员、数据分析师、开发人员、语言学专家、数据科学家和工程师,以及任何对语言学、分析和从文本数据中产生见解有浓厚兴趣的人。
成为VIP会员查看完整内容
0
80

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
49

简介:

探索用Python编写代码的正确方法。这本书提供的技巧和技术,你需要生产更干净,无错误,和雄辩的Python项目。

要获得更好的代码,首先要理解对代码进行格式化和编制文档以获得最大可读性的重要性,利用内置的数据结构和Python字典来提高可维护性,并使用模块和元类来有效地组织代码。然后,您将深入了解Python语言的新特性,并学习如何有效地利用它们。接下来,您将解码关键概念,如异步编程、Python数据类型、类型提示和路径处理。学习在Python代码中调试和执行单元测试和集成测试的技巧,以确保您的代码可以投入生产。学习旅程的最后一段为您提供了版本管理、实时代码管理和智能代码完成的基本工具。 在阅读和使用这本书之后,您将熟练地编写干净的Python代码,并成功地将这些原则应用到您自己的Python项目中。

目录:

  • Pythonic思维
  • 数据结构
  • 编写更好的函数和类
  • 使用模块和元类
  • 装饰器和上下文管理器
  • 生成器和迭代器
  • 利用新的Python特性
  • 附录:一些很棒的Python工具

作者:

Sunil Kapil在过去十年一直从事软件行业,用Python和其他几种语言编写产品代码。 他曾是一名软件工程师,主要从事网络和移动服务的后端工作。他开发、部署并维护了数百万用户喜爱和使用的从小型到大型的生产项目。他与世界各地知名软件公司的大小团队在不同的专业环境中完成了这些项目。他也是开源的热情倡导者,并不断为Zulip Chat和Black等项目贡献力量。Sunil经常在各种会议上发表关于Python的演讲。

成为VIP会员查看完整内容
1
108
小贴士
相关VIP内容
专知会员服务
99+阅读 · 2020年7月27日
专知会员服务
55+阅读 · 2020年7月12日
专知会员服务
132+阅读 · 2020年6月10日
专知会员服务
87+阅读 · 2020年6月4日
专知会员服务
114+阅读 · 2020年5月21日
【书籍推荐】简洁的Python编程(Clean Python),附274页pdf
专知会员服务
108+阅读 · 2020年1月1日
相关资讯
如何使用自然语言工具包(NLTK)在Python3中执行情感分析
Python程序员
11+阅读 · 2019年10月28日
植树节,送 25 本AI & NLP & Python相关书籍
AINLP
9+阅读 · 2019年3月12日
从零开始用Python写一个聊天机器人(使用NLTK)
AI研习社
6+阅读 · 2018年12月27日
这可能是学习Python最好的免费在线电子书
程序猿
34+阅读 · 2018年5月17日
Python 如何快速入门?
大数据技术
10+阅读 · 2018年4月9日
Python语音识别终极指南
人工智能头条
6+阅读 · 2018年4月8日
如何利用机器学习方法构建智能聊天机器人?
相关论文
Muhan Zhang,Shali Jiang,Zhicheng Cui,Roman Garnett,Yixin Chen
6+阅读 · 2019年5月30日
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Weizhi Ma,Min Zhang,Yue Cao, Woojeong, Jin,Chenyang Wang,Yiqun Liu,Shaoping Ma,Xiang Ren
3+阅读 · 2019年3月9日
Soumya Wadhwa,Khyathi Raghavi Chandu,Eric Nyberg
6+阅读 · 2018年6月18日
Alexander Kuhnle,Ann Copestake
3+阅读 · 2018年5月12日
Eva Hasler,Adrià De Gispert,Gonzalo Iglesias,Bill Byrne
5+阅读 · 2018年5月9日
Manuel Carbonell,Mauricio Villegas,Alicia Fornés,Josep Lladós
6+阅读 · 2018年3月22日
Nan Li,Tianli Liao
3+阅读 · 2018年2月13日
Heung-Yeung Shum,Xiaodong He,Di Li
6+阅读 · 2018年2月9日
Kang Min Yoo,Youhyun Shin,Sang-goo Lee
8+阅读 · 2017年12月2日
Top