深度贝叶斯自然语言处理

深度学习和贝叶斯的结合,以及如何在自然语言处理领域应用?本入门教程就介绍了NLP深度贝叶斯学习的最新研究进展,此类进展可应用于:语音识别、文本摘要、文本分类、文本分割、信息提取、图片标题生产、句子生成、对话控制、情感分类、推荐系统等问题中。从传统上说,“深度学习”被认为是一种学习的过程,其中的推理或优化环节,是通过real-valued deterministic模型实现的。从大型词表中提取出的单词、句子、实体、动作等语义结构,难以在数学或计算机程序中得到很好的表达。用于NLP的离散或连续隐变量模型中的“分布函数”可能无法被适当地分解或估计。

简单的贝叶斯学习是利用参数的先验分布,由样本信息求来的后验分布,直接求出总体分布。贝叶斯学习理论使用概率去表示所有形式的不确定性,通过概率规则来实现学习和推理过程。而深度学习强大的拟合能力可以很好的应用于贝叶斯学习,具体如何操作,请详看该资料~

下载地址:
链接: https://pan.baidu.com/s/1yhhPP4oexJMJ0iVeN4CVTw
提取码: arbr

主要内容

下面是这份资料的主要目录,NLP领域的同学一定要看一下,很受启发~

  1. 背景与动机
  2. 概率模型
  3. 神经网络
  4. 推断与优化
  5. 变分贝叶斯推断
  6. 蒙特卡洛马尔可夫链推断
  7. 贝叶斯非参
  8. 层次主题模型
  9. Nested Indian buffet process
  10. deep unfolded主题模型
  11. 门式递归神经网络
  12. 贝叶斯递归神经网络
  13. 记忆增强神经网络
  14. seq2seq学习
  15. 卷积神经网络
  16. 扩大神经网络
  17. 注意力网络与transformer
  18. 深度贝叶斯序列学习
  19. 变分自编码器
  20. 变分递归自编码器
  21. 层次变分自编码器
  22. 随机递归神经网络
  23. 正规递归神经网络
  24. skip递归神经网络
  25. 马尔可夫递归神经网络
  26. 时序差分变分自编码器
  27. 未来的挑战以及优势

发表评论

电子邮件地址不会被公开。 必填项已用*标注