第一部分的各章会讨论使用自然语言的逻辑，并将其转换为可以搜索和计算的数字。这种对词的“拦截和处理”在信息检索和情感分析等应用中会带来很好的效果。一旦掌握了基本知识，大家就会发现有一些非常简单的算法，通过循环反复计算，就可以解决一些重要的问题，如垃圾邮件过滤。
    LSTM《自然语言处理实战：利用Python理解、分析和生成文本》PDF+代码
    《自然语言处理实战：利用Python理解分析和生成文本》中文PDF+英文PDF+代码
    《自然语言处理实战利用Python理解分析和生成文本》中文PDF，原版带目录，455页；英文PDF，545页；配套源代码。
    下载: https://pan.baidu.com/s/1GNEVqkfQ5RkkFay0Ku83ag
    提取码: hyhf
    大家将在第2 章到第4 章中学到的这种垃圾邮件过滤技术，正在将全球电子邮件系统从混乱和停滞中拯救出来。大家将学习如何使用20 世纪90 年代的技术来构建一个精确率超过90%的垃圾邮件过滤器——只需要通过计算词的数目并对这些数目计算一些简单的平均值即可。
    111.png

    在NLP 中，分词（tokenization，也称切词）是一种特殊的文档切分（segmentation）过程。而文档切分能够将文本拆分成更小的文本块或片段，其中含有更集中的信息内容。文档切分可以是将文档分成段落，将段落分成句子，将句子分成短语，或将短语分成词条（通常是词）和标点符号。将文本分割成词条的过程，这个过程称为分词。
    333.png
    自然语言处理流水线的各个阶段可以看作是层，就像前馈神经网络中的层一样。深度学习就是通过在传统的两层机器学习模型架构（特征提取+建模）中添加额外的处理层来创建更复杂的模型和行为。神经网络通过将模型错误从输出层反向传播回输入层，从而帮助完成跨层传播学习的过程。
    444.png
    NLP 已成为深度学习的核心应用领域，而深度学习是NLP 研究和应用中的必要工具，分为3 部分：第一部分介绍NLP 基础，包括分词、TF-IDF 向量化以及从词频向量到语义向量的转换；第二部分讲述深度学习，包含神经网络、词向量、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络、
    序列到序列建模和注意力机制等基本的深度学习模型和方法；第三部分介绍实战方面的内容，包括信息提取、问答系统、人机对话等真实世界系统的模型构建、性能挑战以及应对方法。
    555.png