著者紹介

内容

目次

Contents Chapter 1 自然言語処理の基礎 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 Chapter 3 コーパス 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 Chapter 4 テキストの前処理 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 4-2-2 単語分割 4-2-3 単語の正規化 4-2-4 ストップワードの除去 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 Chapter 5 特徴エンジニアリング 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 5-3-1 N-gramベクトル 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 ロジスティック回帰 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 6-4 交差検証 6-5 汎化性能 6-6 学習曲線 6-7 正則化 6-8 ハイパーパラメータチューニング 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 7-4 活性化関数 7-5 Kerasによるニューラルネットワークの実装 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 Chapter 8 単語分散表現 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 8-3-2 word2vec 8-3-3 Skip-gram 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 gensimを使った単語分散表現の学習 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 Chapter 9 テキスト分類 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 RNNによるテキスト分類器の実装 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 9-5 LSTM 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 CNNによるテキスト分類器の実装 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 Chapter 10 系列ラベリング 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 10-5 双方向 LSTM 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 10-7 BERT 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 Chapter 11 系列変換 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機械学習の自動化 ~AutoML~ 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