我的2017年文章汇总——自然语言处理篇

简介:

近期准备把过去一年写的文章按照分类重新整理推送一遍,包括:“分布式”、“机器学习”、“深度学习”、“NLP”、“Java深度”、“Java并发核心”、“JDK源码”、“Tomcat内核”。

本篇推送nlp相关文章。

基于典型相关分析的词向量

来自麻省理工的信息抽取

如何用机器学习对文本分类

循环神经网络

如何使用中文维基百科语料

深度学习的Attention模型

TensorFlow实现seq2seq

深度学习的seq2seq模型

谈谈谷歌word2vec的原理

如何用TensorFlow训练词向量

如何用TensorFlow训练聊天机器人(附github)

开源一个文本分析项目

kmeans实现文本聚类

设计一个智能客服系统

全文搜索怎么给查询语句与文档相关性打分

n元语法

-------------推荐阅读------------

我的2017文章汇总——机器学习篇

我的2017文章汇总——Java及中间件

我的2017文章汇总——深度学习篇

我的2017文章汇总——JDK源码篇

------------------广告时间----------------

公众号的菜单已分为“分布式”、“机器学习”、“深度学习”、“NLP”、“Java深度”、“Java并发核心”、“JDK源码”、“Tomcat内核”等,可能有一款适合你的胃口。

鄙人的新书《Tomcat内核设计剖析》已经在京东销售了,有需要的朋友可以购买。感谢各位朋友。

为什么写《Tomcat内核设计剖析》

欢迎关注:

这里写图片描述

目录
相关文章
|
3月前
|
机器学习/深度学习 自然语言处理 数据挖掘
探索自然语言处理(NLP)在文本分析中的无限潜能
在信息爆炸的时代,文本数据已经成为人们获取知识和信息的重要来源。自然语言处理(Natural Language Processing,简称NLP)作为一种人工智能技术,正在引领着文本分析的革新。本文将介绍NLP在文本分析中的应用,包括文本情感分析、关键词提取、实体识别等,并探讨其在未来的发展前景。
38 3
|
1天前
|
机器学习/深度学习 算法 计算机视觉
深度学习在图像识别中的应用与挑战
【4月更文挑战第18天】 随着人工智能技术的飞速发展,深度学习在图像识别领域取得了显著的成果。本文将探讨深度学习在图像识别中的应用,分析其优势和面临的挑战。我们将重点关注卷积神经网络(CNN)在图像识别中的关键作用,以及如何通过优化算法和模型结构来提高识别准确率。此外,我们还将讨论数据增强、迁移学习等技术在图像识别中的应用,以及如何解决数据不平衡、过拟合等问题。最后,我们将展望深度学习在图像识别领域的未来发展趋势。
3 0
|
5天前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习在图像识别中的应用及挑战
【4月更文挑战第14天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的核心动力。本文旨在探讨深度学习技术在图像识别任务中的应用及其面临的主要挑战。文中首先回顾了深度学习的基本概念和关键技术,随后详细分析了卷积神经网络(CNN)在图像分类、目标检测和语义分割等方面的应用实例。接着,文章着重讨论了数据偏差、模型泛化能力不足以及对抗样本攻击等关键问题。最后,提出了几种可能的解决方案,并对未来发展趋势进行了展望。
14 6
|
12天前
|
机器学习/深度学习
深度学习在图像识别中的应用和挑战
【4月更文挑战第7天】 随着科技的进步,深度学习已经在许多领域中得到广泛应用,其中图像识别是最为突出的一个。本文将探讨深度学习在图像识别中的应用,以及面临的主要挑战。我们将详细介绍卷积神经网络(CNN)在图像识别中的关键作用,以及如何通过训练提高其准确性。同时,我们也将讨论深度学习在图像识别中面临的主要挑战,包括数据偏见、模型解释性等问题。
|
12天前
|
机器学习/深度学习 人工智能 监控
探索深度学习在图像识别中的应用及挑战
【4月更文挑战第7天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的核心动力。本文旨在深入剖析深度学习技术在图像识别任务中的应用及其所面临的诸多挑战。首先,我们将回顾深度学习的基本原理和关键技术,特别是卷积神经网络(CNN)在图像处理中的作用。其次,文章将探讨当前深度学习模型在图像识别领域的创新应用,包括面部识别、物体检测、场景理解等方面。最后,我们将分析深度学习在图像识别上遇到的挑战,如数据集偏差、模型泛化能力、对抗性攻击等,并对未来可能的解决方案进行展望。本文不仅为研究者提供了深度学习在图像识别方面的研究进展,也为相关领域的实践者指出了潜在的问题与发展方向。
|
18天前
|
机器学习/深度学习 监控 算法
深度学习在图像识别中的应用及其挑战
【4月更文挑战第1天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的关键技术之一。尤其是在图像识别任务中,深度神经网络通过多层次的特征抽象,显著提高了识别的准确性和鲁棒性。本文将探讨深度学习技术在图像识别领域的应用现状,分析面临的主要挑战,并提出潜在的解决方案。我们还将展望深度学习未来的发展趋势以及其对相关行业的潜在影响。
10 0
|
4月前
|
机器学习/深度学习 自然语言处理 算法
自然语言处理|词嵌入的演变
自然语言处理|词嵌入的演变
69 0
|
7月前
|
机器学习/深度学习 数据采集 人工智能
自然语言处理技术
自然语言处理技术
79 0
|
7月前
|
人工智能 自然语言处理 算法
自然语言处理基础技术详细介绍(二)
自然语言处理基础技术详细介绍(二)
75 0
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
自然语言处理基础技术详细介绍(一)
自然语言处理基础技术详细介绍(一)
98 0