機械学習・深層学習による自然言語処理入門

2020

中山光樹

本書の特徴として、ほとんどの実装で日本語のデータを使っている点があります。

目次

1-1 本章の概要

1-2 自然言語処理とは？

1-2-1 自然言語と人工言語

1-2-2 自然言語処理

1-3 自然言語処理のタスク

1-3-1 自然言語処理の基礎技術

1-3-2 自然言語処理の応用技術

1-4 自然言語処理の難しさ

1-4-1 おさらい

Chapter 2 機械学習

2-1 本章の概要

2-2 機械学習とは？

2-3 教師あり学習

2-3-1 分類

2-3-2 回帰

2-4 教師なし学習

2-4-1 クラスタリング

2-4-2 次元削減

2-5 強化学習

2-6 機械学習パイプライン

2-4 開発環境の構築

2-7-1 Minicondaのインストール

2-7-2 仮想環境の構築

2-7-3 パッケージのインストール

2-7-4 エディタのインストール

2-7-5 おさらい

3-1 本章の概要

3-2 コーパスとは？

3-3 コーパスの読み込み

3-3-1 ファイル読み書きの基礎

3-3-2 CSVとTSVの読み込み

3-3-3 JSONの読み込み

3-3-4 ディレクトリの走査

3-4 コーパスの作成

3-4-1 プロジェクト構成

3-4-2 APIキーの取得

3-4-3 コードの実装

3-4-4 アノテーションツール

3-4-5 おさらい

4-1 本章の概要

4-2 前処理の種類と実装

4-2-1 テキストのクリーニング

4-2-3 単語の正規化

4-2-5 単語の ID化

4-2-6 パディング

4-3 前処理の実践

4-3-1 プロジェクト構成

4-3-2 データセットの準備

4-3-3 モデルの学習・評価用関数の定義

4-3-4 モデルの学習と評価

4-3-5 おさらい

5-1 本章の概要

5-2 特徴エンジニアリングとは？

5-2-1 質的変数の処理

5-2-2 量的変数の処理

5-3 テキストのベクトル表現

5-4 ベクトル表現の実践

5-4-1 プロジェクト構成

5-4-2 データセットの準備

5-4-3 モデルの学習・評価用関数の定義

5-4-4 モデルの学習と評価

5-5 特徴量のスケーリング

5-5-1 正規化

5-5-2 標準化

5-5-3 正規化と標準化の可視化

5-6 特徴選択

5-6-1 特徴選択とは

5-7 特徴選択の実践

5-7-1 プロジェクト構成

5-7-2 モデルの学習と評価

5-7-3 おさらい

Chapter 6 機械学習アルゴリズム

6-1 本章の概要

6-2-1 分類問題の定式化

6-2-2 分類確率の導入

6-2-3 ロジスティック回帰の学習

6-3 ロジスティック回帰によるテキスト分類

6-3-1 プロジェクト構成

6-3-2 ロジスティック回帰によるテキスト分類の実践

6-8-1 おさらい

Chapter 7 ニューラルネットワーク

7-1 本章の概要

7-2 ニューラルネットワークとは？

7-3 バイアス

7-5-1 プロジェクト構成

7-5-2 データセットの準備

7-5-3 モデルの定義

7-5-4 損失関数と最適化関数

7-5-5 コールバック

7-5-6 モデルの学習

7-5-7 モデルを使った予測

7-5-8 モデルの保存と読み込み

7-5-9 実践

7-5-10 おさらい

8-1 本章の概要

8-2 単語の分散表現とは？

8-2-1 one-hotエンコーディング

8-2-2 分散表現

8-3 単語分散表現を学習するモデルの仕組み

8-3-1 基礎的な考え方

8-3-4 ネガティブサンプリングによる高速化

8-4 モデルの実装

8-4-1 プロジェクト構成

8-4-2 データセットの準備

8-4-3 モデルの定義

8-4-4 予測用クラスの実装

8-4-5モデルの学習

8-5-1 プロジェクト構成

8-5-2 モデルの学習

8-5-3 単語分散表現の使用

8-6 学習済み単語分散表現の利用

8-6-1 学習済み単語分散表現のダウンロード

8-6-2 単語分散表現の読み込み

8-7 単語分散表現の評価

8-7-1 おさらい

9-1 本章の概要

9-2 テキスト分類とは？

9-3 リカレントニューラルネットワーク

9-4-1 プロジェクト構成

9-4-2 データセットの準備

9-4-3 モデルの定義

9-4-4 予測用クラスの実装

9-4-5 テキスト分類の評価

9-4-6 モデルの学習と評価

9-6 LSTMによるテキスト分類器の構築

9-6-1 モデルの定義

9-6-2 モデルの学習

9-7 畳み込みニューラルネットワーク

9-8-1 モデルの定義

9-8-2 モデルの学習

9-9学習済み単語分散表現の使い方

9-9-1 単語分散表現の準備

9-9-2 モデルの定義

9-9-3 モデルの学習

9-9-4 おさらい

10-1本章の概要

10-2系列ラベリングとは？

10-3固有表現認識

10-4 LSTMによる固有表現認識器の実装

10-4-1 プロジェクト構成

10-4-2 データセットの準備

10-4-3 モデルの定義

10-4-4 予測用クラスの実装

10-4-5 固有表現認識の評価

10-4-6 モデルの学習と評価

10-6 双方向 LSTMによる固有表現認識器の実装

10-6-1 モデルの定義

10-6-2 モデルの学習と評価

10-8 BERTによる固有表現認識器の実装

10-8-1 プロジェクト構成

10-8-2 パッケージのインストール

10-8-3 データセットの準備

10-8-4 モデルの定義

10-8-5 評価用コードの実装

10-8-6 モデルの学習と評価

10-8-7 おさらい

11-1 本章の概要

11-2 系列変換とは？

11-3 系列変換モデルの定式化

11-3-1 エンコーダの埋め込み層

11-3-2 エンコーダの RNN層

11-3-3 デコーダの埋め込み層

11-3-4 デコーダの RNN層

11-3-5 デコーダの出力層

11-4 系列変換モデルの実装

11-4-1 プロジェクト構成

11-4-2 データセットの準備

11-4-3 モデルの定義

11-4-4 予測用クラスの実装

11-4-5 評価

11-4-6 モデルの学習と評価

11-5 アテンション

11-6 アテンションの実装

11-6-1 予測用クラスの実装

11-6-2 モデルの学習と評価

11-6-3 おさらい

Chapter 12 機械学習とクラウド

12-1本章の概要

12-2 Colaboratoryを使った環境構築

12-2-1 基本的な使い方

12-2-2 GPUの使い方

12-2-3 パッケージのインストール方法

12-3-1 モデル選択

12-3-2 ニューラルアーキテクチャサーチ

12-4 Cloud AutoML

12-4-1 APIの有効化

12-4-2 データセットのアップロード

12-4-3 モデルの学習

12-4-4 クリーンアップ

12-5自然言語処理 API

12-5-1 APIキーの取得

12-5-2 コードの実装

12-5-3 API呼び出し

12-5-4 おさらい