作者簡介
 
Thushan Ganegedara
 
澳洲新創公司AssessThreat的首席資料科學家。目前正在澳洲雪梨大學攻讀博士，專攻機器學習，尤其喜歡研究深度學習。生活中的他總喜歡冒點風險，也喜歡針對各種未經測試的資料，執行各式各樣的演算法。

• 前言(第xvii頁)
• Chapter 1：自然語言處理簡介(第1頁)
  • 「自然語言處理」究竟是什麼？(第1頁)
  • 自然語言處理的任務(第2頁)
  • 自然語言處理的傳統做法(第5頁)
  • 自然語言處理的深度學習做法(第10頁)
  • 讀完本章之後，各主題概念的路線圖(第16頁)
  • 技術工具簡介(第21頁)
  • 總結(第24頁)
• Chapter 2：TensorFlow 介紹(第27頁)
  • TensorFlow 究竟是什麼？(第27頁)
  • 輸入、變數、輸出和操作(第36頁)
  • 善用 scope 重複使用變數(第58頁)
  • 實作出我們的第一個神經網路(第61頁)
  • 總結(第67頁)
• Chapter 3：Word2vec｜學習單詞內嵌(第69頁)
  • 單詞的表達方式或含義，指的究竟是什麼？(第71頁)
  • 學習單詞表達方式的傳統做法(第71頁)
  • Word2vec：運用神經網路學習單詞表達方式(第79頁)
  • skip-gram 演算法(第86頁)
  • CBOW 連續單詞袋演算法(第99頁)
  • 總結(第102頁)
• Chapter 4：Word2vec 進階(第103頁)
  • 原始版 skip-gram 演算法(第103頁)
  • skip-gram 與 CBOW 的比較(第107頁)
  • 單詞內嵌演算法的擴展做法(第114頁)
  • 更先進的 skip-gram / CBOW 擴展演算法(第119頁)
  • GloVe｜整體向量表達方式(第123頁)
  • 使用 Word2vec 進行文件分類(第126頁)
  • 總結(第135頁)
Chapter 5：CNN 卷積神經網路｜句子分類(第137頁)
• CNN 卷積神經網路簡介(第137頁)
• 理解 CNN 卷積神經網路(第141頁)
• 練習：用 CNN 對 MNIST 圖片進行分類(第149頁)
• 使用 CNN 進行句子分類(第154頁)
• 總結(第163頁)
Chapter 6：RNN 遞迴神經網路(第165頁)
• 瞭解 RNN 遞迴神經網路(第166頁)
• 時間反向傳播(第171頁)
• RNN 的應用(第177頁)
• 用 RNN 生成文字(第180頁)
• 評估 RNN 所輸出的文字結果(第187頁)
• 困惑度：衡量文字結果的品質(第188頁)
• RNN-CF：具有更長記憶的 RNN(第190頁)
• 總結(第201頁)
Chapter 7：LSTM 長短期記憶網路(第203頁)
• 瞭解 LSTM 長短期記憶網路(第204頁)
• LSTM 如何解決梯度消失的問題(第215頁)
• LSTM 的其他變形做法(第223頁)
• 總結(第227頁)
Chapter 8：LSTM 的應用：生成文字(第229頁)
• 我們的資料(第230頁)
• 實作 LSTM(第232頁)
• LSTM、窺孔連結 LSTM 與 GRU 的比較(第243頁)
• 改進 LSTM：束搜索(第252頁)
• 改進 LSTM｜改用單詞取代 n-gram 來生成文字(第255頁)
• 使用 TensorFlow RNN API(第261頁)
• 總結(第265頁)
Chapter 9：LSTM 的應用：生成圖片說明(第267頁)
• 認識資料(第268頁)
• 生成圖片說明的機器學習流程(第271頁)
• 用 CNN 提取圖片特徵(第274頁)
• 實作｜載入權重並使用 VGG-16 進行推論(第275頁)
• 學習單詞內嵌(第281頁)
• 準備要送入 LSTM 的圖片說明(第282頁)
• 生成要送進 LSTM 的資料(第283頁)
• 定義 LSTM(第285頁)
• 以定量的方式評估結果(第288頁)
• 測試圖片所生成的圖片說明(第294頁)
• 使用 TensorFlow RNN API 搭配預訓練過的 GloVe 單詞向量(第298頁)
• 總結(第309頁)
Chapter 10：Seq2Seq 序列轉序列｜ NMT 神經機器翻譯(第311頁)
• 機器翻譯(第311頁)
• 簡短扼要的機器翻譯歷史之旅(第312頁)
• 瞭解神經機器翻譯(第319頁)
• 為 NMT 系統準備資料(第324頁)
• 訓練 NMT(第326頁)
• 用 NMT 進行推測(第327頁)
• BLEU 分數｜機器翻譯系統的評估(第328頁)
• 從無到有實作出 NMT｜從德語翻譯成英語(第331頁)
• NMT 結合單詞內嵌的訓練方式(第342頁)
• 改善 NMT(第347頁)
• 注意力機制(第350頁)
• Seq2Seq 模型的其他應用：聊天機器人(第361頁)
• 總結(第364頁)
Chapter 11：NLP 自然語言處理的趨勢與未來(第365頁)
• NLP 的當前趨勢(第366頁)
• 其他研究領域的應用(第375頁)
• 邁向通用人工智慧(第383頁)
• NLP 在社群媒體方面的應用(第388頁)
• 不斷湧現的新任務(第391頁)
• 比較新的一些機器學習模型(第393頁)
• 總結(第396頁)
• 參考資料(第397頁)
Appendix A：數學基礎和 TensorFlow 進階概念(第399頁)
• 基本資料結構(第399頁)
• 特殊型態的矩陣(第402頁)
• 張量／矩陣運算(第403頁)
• 機率(第408頁)
• Keras 簡介(第414頁)
• TensorFlow seq2seq 函式庫簡介(第415頁)
• 使用 TensorBoard 以視覺化方式呈現單詞內嵌(第419頁)
• 總結(第425頁)