本书《对话人工智能》写作目的是让你了解所有人工智能助手的基本原理,重点是会话型人工智能。它首先描述了人工智能助手的重要性,然后包括人工智能助手技术的演示。从这里,本书继续设计、训练、测试和改进人工智能助手。

阅读对象

对话型AI是为对构建人工智能助手感兴趣的开发人员和商业分析师编写的。软件开发经验对于构建这些助手是有用的,但不是必需的。许多人工智能平台正朝着低代码或无代码开发方向发展。即使您不是在编写代码,本书也会教你确保您构建的助手成功所需的基本知识。AI助理开发的每个方面都有许多不同的资源;这本书把它们每一条联系在一起。

本书组织

这本书有五个章节和12章。

第一部分解释了什么是人工智能助手,为什么你会使用它们,并通过几个例子: 第1章描述了几种类型的人工智能助手,你在那里与他们互动,并简要分析了他们的工作方式。它还概述了提供人工智能辅助技术的常用用例和平台。 第2章介绍了意图、实体和对话回应的关键构建模块。它使用这些构建块为虚构公司构建一个对话型人工智能助手。这位助理为这家普通零售商解答日常的客户服务问题。

第二部分解释了如何设计一个能够实现你的目标并满足你的用户的人工智能助手 第3章教你如何选择AI助手应该解决的问题,以及如何解决它们。并不是每一个过程都适合通过助手实现自动化。

第4章描述了如何为对话型AI设计对话。它包括在语音和文本通道中都很有效的对话练习,以及指出在一个通道中有效但在另一个通道中无效的练习。

第5章概述了一些衡量指标,告诉你人工智能助手在多大程度上满足了你的业务需求。这些指标确保助理对您和您的用户都是成功的。

第三部分解释了AI助理的开发周期:它还采用数据驱动的方法来评估训练数据的数量、多样性和准确性,以及这些数据对助理的影响。

第7章从数据科学家的角度来测试你的助手:验证它有多准确。它介绍了几个准确性指标,并展示了如何解释这些指标,以便您知道需要哪些改进。

第8章描述了测试助手的功能方面:验证每个对话流是否按设计的方式执行。本章还涵盖了如何自动化您的测试,以及如何使用许多并发用户测试您的助手。

第四部分解释了在初始构建阶段之后的人工智能助手的生命周期。

第9章概述了跟踪AI助手软件资产和管理多个独立环境的方法。它还演示了使用新功能和错误修复更新这些助手的策略。

第10章介绍了如何分析和改进人工智能助手,以及如何基于成功指标对其进行优先排序。它展示了几种查找问题点和如何修复它们的方法。

第五部分解释了适用于特殊助手场景的有用AI助手概念:

第11章虽然大多数人不会从头开始构建分类器,但本章演示了它们如何在数学上工作。这一基础有助于读者理解为什么人工智能助理要以这样的方式接受训练和测试。

第12章描述了如何训练和测试语音助手的语音识别。这包括如何收集语音数据和训练自定义语音识别模型的三种不同方法

成为VIP会员查看完整内容
0
46

相关内容

自然语言处理实战教你如何创建实用的NLP应用,而不陷入复杂的语言理论和深度学习的数学。在这本引人入胜的书中,您将探索构建大量强大的NLP应用所需的核心工具和技术,包括聊天机器人、语言检测器和文本分类器。

真实世界的自然语言处理不是典型的自然语言处理教科书。我们专注于构建真实世界的NLP应用。这里真实世界的意义有两个方面:首先,我们关注构建真实世界的NLP应用需要什么。作为读者,您不仅将学习如何训练NLP模型,还将学习如何设计、开发、部署和监控它们。在此过程中,您还将学习现代NLP模型的基本构建模块,以及对构建NLP应用有用的NLP领域的最新开发。其次,与大多数介绍性书籍不同,我们采用自上而下的教学方法。我们不采用自下而上的方法,一页页地展示神经网络理论和数学公式,而是专注于快速构建“正常工作”的NLP应用程序。然后我们深入研究组成NLP应用的各个概念和模型。您还将学习如何使用这些基本构建块构建端到端定制NLP应用,以满足您的需求。

这本书由三个部分组成,共11章。第1部分介绍了NLP的基础知识,其中我们学习了如何使用AllenNLP 快速构建一个NLP应用,以完成情感分析和序列标记等基本任务。

第1章首先介绍了NLP的“什么”和“为什么”——什么是NLP,什么不是NLP,如何使用NLP技术,以及NLP如何与人工智能的其他领域相关联。

第2章演示了如何构建第一个NLP应用程序,一个情感分析器,并介绍了现代NLP模型的基础知识——单词嵌入和递归神经网络(RNN)。

第3章介绍了自然语言处理应用的两个重要组成部分,单词和句子的嵌入,并演示了如何使用和训练它们。

第4章讨论了最简单但最重要的NLP任务之一,句子分类,以及如何在这个任务中使用RNN。

第5章介绍了序列标注任务,如词性标注和命名实体提取。它还涉及到一个相关的技术,语言建模。

第2部分介绍高级NLP主题,包括序列到序列模型、Transformer以及如何利用迁移学习和预先训练过的语言模型来构建强大的NLP应用。

第6章介绍了序列到序列的模型,它将一个序列转换为另一个序列。我们在一个小时内构建了一个简单的机器翻译系统和一个聊天机器人。

第7章讨论了另一种流行的神经网络结构,卷积神经网络(CNN)。

第8章深入介绍了Transformer,它是当今最重要NLP模型之一。我们将演示如何使用Transformer构建改进的机器翻译系统和拼写检查器。

第9章在前一章的基础上,讨论了迁移学习,这是现代NLP中的一种流行的技术,使用预先训练过的语言模型,如BERT。

第3部分将讨论与开发NLP应用程序相关的主题,这些应用程序对真实数据具有健壮性,并部署和服务它们。

第10章详细介绍了开发NLP应用程序时的最佳实践,包括批处理和填充、正则化和超参数优化。

第11章总结了如何部署和服务NLP模型。它还涵盖了如何解释和解释ML模型。

成为VIP会员查看完整内容
0
51

本书逐步介绍了shell脚本如何帮助健康和生活专家解决日常工作中软件依赖最小的许多数据处理任务。书中给出的示例显示了如何使用简单的命令行工具并将它们组合起来从Web资源中检索数据和文本、过滤和挖掘文献,以及探索生物医学本体中编码的语义。为了存储数据,本书依赖于开放的标准文本文件格式,如TSV、CSV、XML和OWL,任何文本编辑器或电子表格应用程序都可以打开这些格式。前两章,简介和参考资料,简要介绍了shell脚本,并描述了健康和生命科学中的流行数据资源。第三章,数据检索,首先介绍了一个涉及多种数据资源的常见数据处理任务。然后,本章通过逐个介绍所需的命令行工具来说明如何自动化该任务的每个步骤。第四章,文本处理,展示了如何使用简单的字符串匹配技术和正则表达式来过滤和分析文本。最后一章,语义处理,展示了XPath查询和shell脚本是如何处理复杂数据的,比如用于指定本体的图。除了在40多年的时间里几乎是不可改变的,并且在我们的大多数个人计算机中都可以使用之外,健康和生活专家学习shell脚本相对容易,它是一组独立的命令序列。理解它们就像通过测试和理解其程序步骤和变量,并结合它们的中间结果来执行一个新的实验室方案。因此,这本书对想要轻松学习如何处理数据和文本的健康和生活专家或学生特别相关,而这反过来可能促进和激励他们在未来获得更深层次的生物信息学技能。

https://library.oapen.org/handle/20.500.12657/22825

成为VIP会员查看完整内容
0
22

掌握使用PyTorch实现深度学习解决方案的实践方面,使用实践方法理解理论和实践。Facebook的人工智能研究小组开发了一个名为PyTorch的平台,该平台拥有良好的理论基础和实用技能,为你在现实世界中应用深度学习做好了准备。

首先,您将了解PyTorch的深度学习是如何以及为什么成为一种具有开创性的框架,它带有一组工具和技术来解决现实世界中的问题。接下来,这本书将为你打下线性代数、向量微积分、概率和最优化的数学基础。在建立了这个基础之后,您将继续讨论PyTorch的关键组件和功能,包括层、损失函数和优化算法。

您还将了解基于图形处理单元(GPU)的计算,这对训练深度学习模型是必不可少的。介绍了深度学习的前馈网络、卷积神经网络、循环神经网络、长短时记忆网络、自动编码器网络和生成对抗网络等关键网络结构。在许多训练和优化深度学习模型的技巧的支持下,这个版本的Python深度学习解释了使用PyTorch将这些模型带到生产中的最佳实践。

你会: 回顾机器学习的基本原理,如过拟合、欠拟合和正则化。 了解深度学习的基本原理,如前馈网络,卷积神经网络,递归神经网络,自动微分和随机梯度下降。 使用PyTorch深入应用线性代数 探索PyTorch的基本原理及其构建块 使用调优和优化模型

成为VIP会员查看完整内容
0
150

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
162

学习设计思维的基本原理,以及如何在定义软件开发和人工智能解决方案时应用设计思维技术。设计思维是一种创新的方法,它能识别问题并产生解决方案,并能通过原型设计迅速得到验证。

这本书提供了设计思维的简史和过程的概述。然后深入探讨在设计思维研讨会中使用的方法和工具的更多细节,从而得出有用的原型。提供以下指引:

  • 为设计思考工作坊做准备
  • 发现可能被解决的潜在业务问题
  • 优先考虑可能的解决方案
  • 识别和描述利益相关者
  • 为开发选择正确的原型
  • 限制了原型构建的范围和最佳实践

本书最后讨论了成功原型的操作化的最佳实践,并描述了对成功采用至关重要的变更管理技术。您可以使用从阅读本书中获得的知识,将设计思维技术融入到您的软件开发和AI项目中,并确保及时和成功地交付解决方案。

你将学到什么

  • 获得什么是设计思维以及何时应用该技术的基本知识
  • 发现在研讨会中使用的准备和促进技巧
  • 了解想法是如何产生的,然后通过原型验证
  • 了解实现最佳实践,包括变更管理考虑事项

这本书是给谁的呢

  • 商业决策者和项目利益相关者,以及IT项目所有者,他们寻求一种方法,导致快速开发成功的软件和AI原型,证明真正的商业价值。也为数据科学家,开发人员和系统集成商谁有兴趣促进或利用设计思维研讨会,以推动潜在的软件开发和人工智能项目背后的势头。
成为VIP会员查看完整内容
1
65

本书提供了实际的示例和注意事项,以帮助您创建健壮和高效的数据库解决方案。在整个文本中,提供了实际问题、问题和常见陷阱,以帮助您识别最佳解决方案,以便在可能遇到的不同应用程序场景中获得最大成功。

成为VIP会员查看完整内容
0
28

如果您是用Python编程的新手,并且正在寻找可靠的介绍,那么这本书就是为您准备的。由计算机科学教师开发,在“为绝对初学者”系列丛书通过简单的游戏创造教授编程的原则。您将获得实际的Python编程应用程序所需的技能,并将了解如何在真实场景中使用这些技能。在整个章节中,你会发现一些代码示例来说明所提出的概念。在每一章的结尾,你会发现一个完整的游戏,展示了这一章的关键思想,一章的总结,以及一系列的挑战来测试你的新知识。当你读完这本书的时候,你将非常精通Python,并且能够将你所学到的基本编程原理应用到你要处理的下一种编程语言。

成为VIP会员查看完整内容
0
132

Manning最畅销的Java 8书籍已经被修订为Java 9和Java 10!在Modern Java In Action中,读者可以使用最新的特性和技术,在已有的Java语言技能的基础上进行构建。

Java 9的发布建立在Java 8令人激动的基础之上。除了Java 8的lambdas和streams之外,Java 9还添加了许多自己的新特性。它包含了新的库特性来支持响应式编程,这为用户提供了一种新的方式来思考编程和编写更易于阅读和维护的代码。

成为VIP会员查看完整内容
0
54

大大小小的公司都在启动人工智能项目,在软件、开发人员和数据科学家身上投入了大量资金。通常情况下,这些人工智能项目将重点放在技术上,而牺牲了可操作的或有形的业务结果,导致结果分散和投资浪费。人工智能的成功为人工智能项目制定了蓝图,以确保它们是可预测的、成功的和有利可图的。它充满了运行数据科学程序的实用技术,以确保它们的成本效益和专注于正确的业务目标。

对这项技术

对于一个成功的AI项目来说,最大的挑战不是决定你可以解决哪些问题。它决定你应该解决哪些问题。拥有巨额资金和顶尖人才的人工智能系统,如果不回答那些将推动真正商业价值的问题,仍然会失败。作为一个AI团队的领导者,你的工作是确保你引导你的团队朝着正确的目标前进,并实现一个能够按时并按预算交付结果的过程。

关于这本书

在《人工智能成功之道》一书中,作者兼人工智能顾问Veljko Krunic揭示了他与《财富》500强公司、早期创业公司以及其他横跨多个行业的企业共同开发的人工智能的成功秘诀。Veljko首先制定了一个框架,用于确定要为您的业务回答的正确问题。然后,他会教你一个可重复的过程,用于正确地组织一个AI项目,以最大化有限资源的价值,比如你的数据科学家的时间。您将学习建立指标,让您根据业务需求来判断您的机器学习的有效性,以及如何评估您的AI项目在其生命周期的早期是否在正确的轨道上。根据你将在现实世界中遇到的商业困境进行练习,你将学习如何管理ML流程并防止其发生固化。完成之后,您就可以开始明智地投资于数据科学,为您的业务提供具体、可靠和有利可图的结果。

里面有什么

  • 选择正确的AI项目以满足特定的业务目标
  • 节约资源,实现物有所值
  • 如何衡量你的人工智能努力在商业方面的成功
  • 预测自己是否在正确的轨道上交付预期的业务结果
成为VIP会员查看完整内容
0
70
小贴士
相关VIP内容
专知会员服务
65+阅读 · 9月15日
专知会员服务
150+阅读 · 5月21日
专知会员服务
162+阅读 · 2月22日
专知会员服务
65+阅读 · 2020年8月30日
专知会员服务
132+阅读 · 2020年8月14日
专知会员服务
54+阅读 · 2020年5月22日
相关论文
Distributed Evaluation of Graph Queries using Recursive Relational Algebra
Sarah Chlyah,Pierre Genevès,Nabil Layaïda
0+阅读 · 11月24日
Wentao Zhang,Yuezihan Jiang,Yang Li,Zeang Sheng,Yu Shen,Xupeng Miao,Liang Wang,Zhi Yang,Bin Cui
6+阅读 · 7月25日
Yunshi Lan,Gaole He,Jinhao Jiang,Jing Jiang,Wayne Xin Zhao,Ji-Rong Wen
16+阅读 · 5月25日
Ryo Yonetani,Tatsunori Taniai,Mohammadamin Barekatain,Mai Nishimura,Asako Kanezaki
4+阅读 · 2月8日
Emily Alsentzer,Samuel G. Finlayson,Michelle M. Li,Marinka Zitnik
21+阅读 · 2020年6月19日
Minlie Huang,Xiaoyan Zhu,Jianfeng Gao
7+阅读 · 2019年10月22日
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification
Jiawei Wu,Wenhan Xiong,William Yang Wang
16+阅读 · 2019年9月9日
Building Knowledge Graphs About Political Agents in the Age of Misinformation
Daniel Schwabe,Carlos Laufer,Antonio Busson
4+阅读 · 2019年1月29日
Incremental Reading for Question Answering
Samira Abnar,Tania Bedrax-weiss,Tom Kwiatkowski,William W. Cohen
4+阅读 · 2019年1月15日
Neural Approaches to Conversational AI
Jianfeng Gao,Michel Galley,Lihong Li
8+阅读 · 2018年12月13日
Top