书名: Deep Learning for Search

简介:

深度学习搜索是一本实用的书,关于如何使用(深度)神经网络来帮助建立有效的搜索引擎。这本书研究了一个搜索引擎的几个组成部分,提供了关于它们如何工作的见解以及如何在每个环境中使用神经网络的指导。重点介绍了基于实例的实用搜索和深度学习技术,其中大部分都有代码。同时,在适当的地方提供相关研究论文的参考资料,以鼓励阅读更多的书籍,加深对特定主题的知识。

读完这本书,将对搜索引擎的主要挑战有所理解,它们是如何被普遍解决的以及深度学习可以做些什么来帮助。并且将对几种不同的深度学习技术以及它们在搜索环境中的适用范围有一个理解,将很好地了解Lucene和Deeplearning4j库。

这本书主要分为3个部分:

  • 第1部分介绍了搜索、机器学习和深度学习的基本概念。第一章介绍了应用深度学习技术来搜索问题的原理,涉及了信息检索中最常见的方法。第2章给出了如何使用神经网络模型从数据中生成同义词来提高搜索引擎效率的第一个例子。

  • 第2部分讨论了可以通过深度神经网络更好地解决的常见搜索引擎任务。第3章介绍了使用递归神经网络来生成用户输入的查询。第四章在深度神经网络的帮助下,在用户输入查询时提供更好的建议。第5章重点介绍了排序模型:尤其是如何使用词嵌入提供更相关的搜索结果。第6章讨论了文档嵌入在排序函数和内容重新编码上下文中的使用。

  • 第3部分将介绍更复杂的场景,如深度学习机器翻译和图像搜索。第7章通过基于神经网络的方法为你的搜索引擎提供多语言能力来指导你。第8章讨论了基于内容的图像集合的搜索,并使用了深度学习模型。第9章讨论了与生产相关的主题,如微调深度学习模型和处理不断输入的数据流。

作者简介:

Tommaso Teofili是一名软件工程师,他对开源机器学习充满热情。作为Apache软件基金会的成员,他为许多开放源码项目做出了贡献,从信息检索到自然语言处理和机器翻译等主题。他目前在Adobe工作,开发搜索和索引基础结构组件,并研究自然语言处理、信息检索和深度学习等领域。他曾在各种会议上发表过搜索和机器学习方面的演讲,包括BerlinBuzzwords、计算科学国际会议、ApacheCon、EclipseCon等。

成为VIP会员查看完整内容
0
134

相关内容

搜索引擎指根据一定的策略、运用特定的计算机程序搜集互联网上的信息,在对信息进行组织和处理后,为用户提供检索服务的系统。

题目: Deep Learning with PyTorch

摘要: 《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路,全书总共只有 5 个章节, PyTorch的深度学习提供了一个详细的、实践性的介绍,介绍了使用PyTorch构建和训练神经网络,PyTorch是一个流行的开源机器学习框架。这本书包括:

  • 深度学习与PyTorch图书馆简介

  • 预训练网络

  • 张量

  • 学习机制

  • 用神经网络拟合数据

第一章是入门内容介绍,主要介绍了什么是 PyTorch和为什么我们要选择 PyTorch,以及对本书内容层次的总体介绍,让刚刚入门的读者能够开门见山,大量的插图介绍了深度学习和Pytorch的概念。

第二章则从张量这一深度学习的基本概念开始,介绍了张量的相关数学机制,以及深度学习是怎样处理数据,完成学习这一过程的。

第三章开始则通过张量和真实世界的数据进行联系,说明了如何使用张量表示表格、时序、图像和文本等数据。

第四章则进入机器学习机制的介绍,说明了深度学习的权重更新和反向传播原理。

第五章主要集中在使用 PyTorch 构建神经网络并拟合数据分布。有了前几章的理论基础,这一章会增加很多代码方面实践介绍。

作者简介:

Eli Stevens过去15年在硅谷做软件工程师,过去7年在一家制造医疗设备软件的初创公司担任首席技术官。

Luca Antiga是位于意大利贝加莫的一家人工智能工程公司的联合创始人兼首席执行官,也是Pythorch的定期撰稿人。

成为VIP会员查看完整内容
0
217

主题: Exploring Deep Learning for Search

摘要: 本书作者Tommaso Teofili着重介绍了他的著作《深度学习搜索》三章。 书中介绍了神经搜索如何通过自动执行以前手动完成的工作来节省用户时间并提高搜索效率以及如何通过循环神经网络(RNN)向搜索引擎添加文本生成功能来扩展搜索网络。 在最后一章中,深入研究了如何使用卷积神经网络(CNN)为图像编制索引,并使它们可按其内容进行搜索。 借助这份以激光为重点的指南,读者将掌握通过深度学习改善搜索的基础知识。

成为VIP会员查看完整内容
0
28

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
0
114

地址:

https://www.apress.com/gp/book/9781484251232

利用MATLAB的强大功能来应对深度学习的挑战。本书介绍了深度学习和使用MATLAB的深度学习工具箱。您将看到这些工具箱如何提供实现深度学习所有方面所需的完整功能集。

在此过程中,您将学习建模复杂的系统,包括股票市场、自然语言和仅确定角度的轨道。您将学习动力学和控制,并使用MATLAB集成深度学习算法和方法。您还将使用图像将深度学习应用于飞机导航。

最后,您将使用惯性测量单元对ballet pirouettes进行分类,并使用MATLAB的硬件功能进行实验。

你会学到什么

  • 使用MATLAB探索深度学习,并将其与算法进行比较
  • 在MATLAB中编写一个深度学习函数,并用实例进行训练
  • 使用与深度学习相关的MATLAB工具箱
  • 实现托卡马克中断预测

这本书是给谁看的:

工程师、数据科学家和学生想要一本关于使用MATLAB进行深度学习的例子丰富的书。

成为VIP会员查看完整内容
0
66

简介:

自从2012年以来,最近的技术史上最重大的事件也许就是神经网络爆炸了。标记数据集的增长,计算能力的提高以及算法的创新齐头并进。从那时起,深度神经网络使以前无法实现的任务得以实现,并提高了任务的准确性,使它们超出了学术研究范围,并进入了语音识别,图像标记,生成模型和推荐系统等领域的实际应用。在这种背景下,Google Brain的团队开始开发TensorFlow.js。该项目开始时,许多人认为“ JavaScript深度学习”是一种新颖事物,对于某些用例来说并不能当真。尽管Python已经有了一些完善的,功能强大的深度学习框架,但JavaScript机器学习的前景仍然是零散的和不完整的。在当时可用的少数JavaScript库中,大多数仅支持以其他语言(通常是Python)进行预训练的部署模型。

这本书不仅是作为如何在TensorFlow.js中编写代码的秘诀,而且还是以JavaScript和Web开发人员的母语为基础的机器学习基础入门课程。深度学习领域是一个快速发展的领域。我们相信,无需正式的数学处理就可以对机器学习有深入的了解,而这种了解将使您能够在技术的未来发展中保持最新。有了这本书,您就成为成为成长中的JavaScript机器学习从业人员社区的第一步,他们已经在JavaScript和深度学习之间的交汇处带来了许多有影响力的应用程序。我们衷心希望本书能激发您在这一领域的创造力和独创性。

目录:

内容简介:

本书分为四个部分。第一部分仅由第一章组成,向您介绍了人工智能,机器学习和深度学习的概况,以及在JavaScript中实践深度学习为何有意义。第二部分是对深度学习中最基础和最常遇到的概念的简要介绍。本书的第三部分系统地为希望建立对更前沿技术的理解的用户,提供了深度学习的高级主题,重点是ML系统的特定挑战领域以及与之配合使用的TensorFlow.js工具。

成为VIP会员查看完整内容
0
30

简介: 深度学习无处不在。例如,当在线使用许多应用程序甚至在购物时,都会看到它。我们被深度学习所包围,甚至根本没有意识到这一点,这使学习深度学习变得至关重要,因为可以利用它做很多事情,这远远超出了您的想象。当您学习本书时,您可以在Mac,Linux或Windows系统上运行的许多示例代码。您也可以使用Google Colab之类的工具在线运行代码。 本书的第一部分为您提供了一些入门信息,除了安装一些必备软件,还会了解一些基本数学知识。

目录:

  • 说明

  • Chapter 1:深度学习介绍

    • 深度学习的意义
    • 真实世界中的深度学习
    • 深度学习项目的环境
  • Chapter 2:机器学习介绍

    • 机器学习定义
    • 思考学习的不同方法
    • 机器学习的正确使用
  • Chapter 3:使用python

    • anaconda
    • 下载数据集与代码
    • 创建应用
    • 云端使用
  • chapter 4:利用深度学习看框架

    • 框架介绍
    • 了解tensorflow
  • chapter 5:回顾数学与优化

    • 矩阵介绍
    • 理解向量,scalar等
    • 优化介绍
  • chapter 6:线性回归基础

    • 组合变量
    • 混合变量类型
    • 概率
    • 特征介绍
  • chapter 7:神经网络

    • 感知机
    • 神经网络复杂度
    • 过拟合
  • Chapter 8:构建基础神经网络

    • 理解神经网络
    • 神经网络的核心
  • Chapter 9:深度学习

    • 数据
    • 提升速度
    • 解释深度学习的不同
  • Chapter 10:解释卷积神经网络

  • Chapter 11:循环神经网络

  • Chapter 12:图片分类

  • Chapter 13:循环神经网络

  • Chapter 14:语言处理

  • Chapter 15:生成音乐和虚拟艺术

  • Chapter 16:生成对抗网络

  • Chapter 17:深度强化学习

  • Chapter 18:深度学习的应用

  • Chapter 19:十个必备的深度学习工具

  • Chapter 20:十个使用深度学习的场景

成为VIP会员查看完整内容
0
114

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
79
小贴士
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
38+阅读 · 2020年7月2日
Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey
Sanmit Narvekar,Bei Peng,Matteo Leonetti,Jivko Sinapov,Matthew E. Taylor,Peter Stone
11+阅读 · 2020年3月10日
Wenwu Zhu,Xin Wang,Peng Cui
18+阅读 · 2020年1月2日
Hardness-Aware Deep Metric Learning
Wenzhao Zheng,Zhaodong Chen,Jiwen Lu,Jie Zhou
5+阅读 · 2019年3月13日
Ziwei Zhang,Peng Cui,Wenwu Zhu
36+阅读 · 2018年12月11日
Chunwei Tian,Yong Xu,Lunke Fei,Ke Yan
3+阅读 · 2018年10月11日
Jingkang Wang,Yang Liu,Bo Li
3+阅读 · 2018年10月5日
Image Captioning based on Deep Reinforcement Learning
Haichao Shi,Peng Li,Bo Wang,Zhenyu Wang
6+阅读 · 2018年9月13日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Wonsik Kim,Bhavya Goyal,Kunal Chawla,Jungmin Lee,Keunjoo Kwon
15+阅读 · 2018年4月2日
Top