HOME > 상세정보

상세정보

자연어 처리와 딥러닝 : 딥러닝으로 바라보는 언어에 대한 생각

자료유형
단행본
개인저자
Deng, Li, 1958- Liu, Yang, 저 김재민, 역
서명 / 저자사항
자연어 처리와 딥러닝 : 딥러닝으로 바라보는 언어에 대한 생각 / 리 덩, 양 리우 지음 ; 김재민 옮김
발행사항
서울 :   에이콘,   2021  
형태사항
459 p. : 삽화(일부천연색) ; 24 cm
원표제
Deep learning in natural language processing
ISBN
9791161754925
서지주기
참고문헌과 색인수록
일반주제명
Artificial intelligence Natural language processing (Computer science)
000 00000cam c2200205 c 4500
001 000046068535
005 20210216173639
007 ta
008 210215s2021 ulka b 001c kor
020 ▼a 9791161754925 ▼g 93000
035 ▼a (KERIS)REQ000052619536
040 ▼a 211023 ▼c 211023 ▼d 211009
041 1 ▼a kor ▼h eng
082 0 4 ▼a 006.35 ▼2 23
085 ▼a 006.35 ▼2 DDCK
090 ▼a 006.35 ▼b 2021
100 1 ▼a Deng, Li, ▼d 1958-
245 1 0 ▼a 자연어 처리와 딥러닝 : ▼b 딥러닝으로 바라보는 언어에 대한 생각 / ▼d 리 덩, ▼e 양 리우 지음 ; ▼e 김재민 옮김
246 1 9 ▼a Deep learning in natural language processing
260 ▼a 서울 : ▼b 에이콘, ▼c 2021
300 ▼a 459 p. : ▼b 삽화(일부천연색) ; ▼c 24 cm
504 ▼a 참고문헌과 색인수록
650 0 ▼a Artificial intelligence
650 0 ▼a Natural language processing (Computer science)
700 1 ▼a Liu, Yang, ▼e
700 1 ▼a 김재민, ▼e
900 1 0 ▼a 덩, 리, ▼e
900 1 0 ▼a 리우, 양, ▼e
945 ▼a KLPA

소장정보

No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/제2자료실(3층)/ 청구기호 006.35 2021 등록번호 111843806 도서상태 대출중 반납예정일 2021-04-08 예약 예약가능(2명 예약중) R 서비스 M

컨텐츠정보

책소개

에이콘 데이터 과학 시리즈. 딥러닝을 포함한 머신러닝의 역사, 딥러닝과 통계 기반 머신러닝이 적용되는 영역, 딥러닝 디자인, 디자인 한계점과 해결 방법, 향후 연구 과제 등 코드 이면에 담겨있는 이야기를 전달하고자 여러 전문가가 참여했다.

문자 데이터의 컴퓨터 인식과 학습, 결과물 제시를 통해 만들 수 있는 자연어 처리 애플리케이션에 관심이 있다면 깊이 있는 지식과 혜안을 얻을 뿐만 아니라, 실무에 필요한 솔루션에 대해서도 아이디어를 얻을 수 있을 것이다.

★ 이 책의 대상 독자 ★

주요 목표는 자연어 처리에 적용된 최근 딥러닝의 발전에 관한 포괄적인 조사 내용을 제공하는 데 있다. 자연어 처리 중심인 딥러닝 연구의 최신 기술이 적용되는 음성언어 이해, 대화 시스템, 어휘 분석, 구문 분석, 지식 그래프, 기계번역, 질의응답, 감정 분석, 소셜 컴퓨팅 및 (이미지에서) 자연어 생성 등을 다룬다. 대학원생, 박사후 연구원, 교육자, 산업계 연구원 및 자연어 처리와 관련된 최신 기법 익히기에 관심이 있는 독자를 대상으로 하며, 컴퓨팅에 대한 기술적 배경을 가진 이에게 적합할 것이다.

★ 이 책의 구성 ★


이 책은 11개의 장으로 구성된다.
1장: 자연어 처리와 딥러닝 소개(Li Deng과 Yang Liu)
2장: 대화 이해에 적용되는 딥러닝(Gokhan Tur, Asli Celikyilmaz, Xiaodong He, Dilek Hakkani-Tür, Li Deng)
3장: 음성 및 텍스트 기반 대화 시스템의 딥러닝(Asli Celikyilmaz, Li Deng, Dilek Hakkani-Tür)
4장: 어휘 분석 및 문법 분석에서 딥러닝(Wanxiang Che와 Yue Zhang)
5장: 지식 그래프의 딥러닝(Zhiyuan Liu와 Xianpei Han)
6장: 기계번역의 딥러닝(Yang Liu와 Jiajun Zhang)
7장: 질의응답의 딥러닝(Kang Liu와 Yansong Feng)
8장: 감성 분석의 딥러닝(Duyu Tang과 Meishan Zhang)
9장: 소셜 컴퓨팅의 딥러닝(Xin Zhao와 Chenliang Li)
10장: 이미지로부터 자연어 생성에서 딥러닝(Xiaodong He와 Li Deng)
11장: 에필로그(Li Deng과 Yang Liu)

1장에서는 자연어 처리와 딥러닝 전체 소개와 이후에 다룰 주요 내용을 리뷰한 다음 역사적인 발전을 세 가지 물결로 연계하고 향후 방향을 살펴본다. 2장에서 10장까지는 자연어 처리에 적용된 최근 학습 방법의 개별 애플리케이션을 다루는 장으로 구성된다. 각 장은 주요 연구자가 각 분야에서 적극적으로 실행했던 연구를 기반으로 한다.


정보제공 : Aladin

저자소개

리 덩(지은이)

2017년 5월부터 시타델연구소에서 최고 인공지능 관리자로 일하고 있다. 딥러닝 기술센터 창업자이자 AI 최고 연구원이었으며, 마이크로소프트 파트너 연구 관리자를 역임했다. 캐나다 온타리오의 워털루대학교 정교수를 역임했으며 MIT, 일본 교토의 ATR, 홍콩 HKUST에서 연구와 강의를 병행했다. 현재 IEEE, 전미음성학회, ISCA의 회원이다. 2000년 이후부터 워싱턴대학교에서 겸임교수로 활동하고 있다. IEEE 음성신호처리학회 이사회 회원으로 선출됐으며, 「IEEE Signal Processing(IEEE 음성신호)」 매거진과 「IEEE/ACM Transactions on Audio, Speech, and Language Processing(IEEE/ACM 소리, 음성, 언어 처리 트랜잭션)」 편집장(2008-2014)을 지냈고 IEEE SPS 공로상을 수상했다. 대규모 딥러닝을 사용해 혁신적인 음성인식 초기 연구를 세운 업적을 인정받아 2015년 딥러닝과 자동음성인식에 관한 IEEE SPS 기술 업적상을 받았다. 또한 인공지능, 머신러닝, 자연어 처리, 정보 획득, 멀티미디어 신호 처리, 음성인식에 대한 업적으로 무수한 최고 논문상과 특허를 받았다. 현재 6권의 기술서 저자이자 공동 저자다.

양 리우(지은이)

칭화대학교 컴퓨터공학과 부교수를 역임하고 있다. 2007년 전산 기술 중국과학원에서 박사학위를 취득했다. 자연어 처리와 머신러닝에 관심을 두고 있다. Computational Linguistics, ACL, AAAI, EMNLP, COLING 등 자연어와 인공지능 분야 최고 저널 및 학회에서 50편 이상의 논문을 발표했다. 2006년 COLING/ACL 아시아 자연어 처리 논문상과 국가 과학기술 발전 2등상을 수상했으며 「ACM TALLIP」 부편집장, ACL 2014 지도 공동위원장, ACL 2015 지역 공동위원장, IJCAI 2016 시니어 PC, ACL 2017 지역 공동위원장, EMNLP 2016 지역 공동위원장, SIGHAN 정보 관리자, 중국정보처리학회 전산 언어 기술 위원회 의장을 역임했다.

김재민(옮긴이)

미국 미시건주 오클랜드대학교 비즈니스스쿨 경영학과 조교수로 재직 중이다. 학부생과 MBA 학생들을 대상으로 경영전략을 강의하고 있으며 경영전략과 데이터 분석의 교집합을 다루는 마케팅과 비즈니스 전략을 위한 데이터 분석도 강의하고 있다. 경영전략 및 기업의 사회적 책임과 관련된 연구로 「Journal of Business Research」, 「Entrepreneurship Theory & Practice」, 「Journal of Business Ethics」, 「Organization & Environment」 등에 다수의 논문을 실었다. 최근 연구에 자연어 처리를 위한 머신러닝을 분석 방법으로 활용하고 있으며, 10년 이상 개인 블로그(https//blog.naver.com/ibuyworld)에서 연구와 영어 강의에 관한 생각을 공유하고 있다.

정보제공 : Aladin

목차

추천의 글
지은이 소개
옮긴이 소개
옮긴이의 말
연구 공헌자들
약어
들어가며

1장. 자연어 처리와 딥러닝 소개
1.1 자연어 처리: 기본 내용
1.2 첫 번째 물결: 이성주의
1.3 두 번째 물결: 실증주의
1.4 세 번째 물결: 딥러닝
1.5 미래로의 전환
1.5.1 실증주의에서 딥러닝으로: 혁명
1.5.2 현재 딥러닝 기술의 한계
1.6 자연어 처리의 향후 방향
1.6.1 신경망과 기호의 통합
1.6.2 구조, 기억 그리고 지식
1.6.3 비지도학습과 생성 딥러닝
1.6.4 다중양식 및 멀티태스킹 딥러닝
1.6.5 메타러닝
1.7 요약

2장. 대화 이해에 사용되는 딥러닝
2.1 소개
2.2 역사적 관점
2.3 주요 언어 이해 작업
2.3.1 도메인 탐지 및 의도 결정
2.3.2 슬롯 채우기
2.4 기술의 고도화: 통계 모델링에서부터 딥러닝까지
2.4.1 도메인 탐지와 의도 결정
2.4.2 슬롯 채우기
2.4.3 멀티태스크 멀티도메인 연결 모델링
2.4.4 문맥에서 이해하기
2.5 요약

3장. 음성 및 텍스트 기반 대화 시스템에 사용되는 딥러닝
3.1 서론
3.2 대화 시스템의 구성 요소 학습 방법
3.2.1 판별 방법
3.2.2 생성 방법
3.2.3 의사 결정
3.3 목표 지향 신경 대화 시스템
3.3.1 신경망 언어 이해
3.3.2 대화 상태 추적기
3.3.3 심층 대화 관리자
3.4 모델 기반 사용자 시뮬레이터
3.5 자연어 생성
3.6 대화 시스템 구축을 위한 엔드 투 엔드 딥러닝 방식
3.7 오픈 대화 시스템을 위한 딥러닝
3.8 대화 모델링을 위한 데이터셋
3.8.1 카네기 멜론 커뮤니케이터 말뭉치
3.8.2 ATIS: 항공 여행 정보 시스템 파일럿 말뭉치
3.8.3 대화 상태 추적 챌린지 데이터셋
3.8.4 말루바 프레임 데이터셋
3.8.5 페이스북 대화 데이터셋
3.8.6 우분투 대화 말뭉치
3.9 오픈소스 대화 소프트웨어
3.10 대화 시스템 평가
3.11 요약

4장. 어휘 분석과 문장 분석에 사용되는 딥러닝
4.1 배경
4.2 어휘 분석과 문법 분석
4.2.1 단어 세분화
4.2.2 형태소 분석
4.2.3 구문 분석
4.2.4 구조화된 예측
4.3 구조화 예측 방법
4.3.1 그래프 기반 방법
4.3.2 전이 기반 방법들
4.4 신경그래프 기반 방법
4.4.1 신경조건부 랜덤 필드
4.4.2 신경망 그래프 기반의 의존 분석
4.5 신경망 전이 기반 방법
4.5.1 그리디 이동 축소 의존 분석
4.5.2 그리디 시퀀스 레이블링
4.5.3 전역 최적화 모델
4.6 요약

5장. 지식 그래프에서 사용되는 딥러닝
5.1 서론
5.1.1 기본 개념
5.1.2 전형적인 지식 그래프
5.2 지식 표상 학습
5.3 신경망 관계 추출
5.3.1 문장 수준 신경망 관계 추출
5.3.2 문서 수준 신경망 관계 추출
5.4 텍스트와 지식 연결: 개체 연결
5.4.1 개체 연결 프레임워크
5.4.2 개체 연결 딥러닝
5.5 요약

6장. 기계번역에 사용되는 딥러닝
6.1 서론
6.2 통계 기계번역과 그 과제
6.2.1 기본 내용
6.2.2 통계 기계번역 과제
6.3 기계번역을 위한 구성 요소 수준 딥러닝
6.3.1 단어 배열을 위한 딥러닝
6.3.2 번역 규칙 확률 추정 딥러닝
6.3.3 구 재배열을 위한 딥러닝
6.3.4 언어 모델링을 위한 딥러닝
6.3.5 피처 조합을 위한 딥러닝
6.4 기계번역을 위한 엔드 투 엔드 딥러닝
6.4.1 인코더 - 디코더 프레임워크
6.4.2 기계번역에 사용되는 신경망 관심
6.4.3 잘 쓰이지 않는 어휘의 기술적 문제점 다루기
6.4.4 평가 지표를 최적화하는 엔드 투 엔드 학습
6.4.5 사전 지식 투입하기
6.4.6 자원이 부족한 언어 번역
6.4.7 신경망 기계번역에서 네트워크 구조
6.4.8 통계 기계번역과 신경망 기계번역의 조합
6.5 요약

7장. 질의응답에 사용되는 딥러닝
7.1 서론
7.2 지식 기반 질의에 사용되는 딥러닝
7.2.1 정보 추출 스타일
7.2.2 의미 분석 스타일
7.2.2
7.2.3 정보 추출 스타일 대 의미 분석 스타일
7.2.4 데이터 종류
7.2.5 도전 과제
7.3 기계 이해에 사용되는 딥러닝
7.3.1 태스크 설명
7.3.2 기계 이해에서 피처 엔지니어링 방법
7.3.3 기계 이해를 위한 딥러닝
7.4 요약

8장. 딥러닝으로 하는 감성 분석
8.1 소개
8.2 감성 기반 단어 임베딩
8.3 문장 수준 감성 분석
8.3.1 컨볼루션 신경망
8.3.2 순환 신경망
8.3.3 재귀신경망
8.3.4 외부 자원 통합
8.4 문서 수준 감성 분류
8.5 정밀하게 정제된 감성 분석
8.5.1 의견 마이닝
8.5.2 표적 감성 분석
8.5.3 특정 면 수준 감성 분석
8.5.4 입장 포착
8.5.5 풍자 감지
8.6 요약

9장. 소셜 컴퓨팅에서 사용되는 딥러닝
9.1 소셜 컴퓨팅 소개
9.2 딥러닝으로 하는 사용자 생성 콘텐츠 모델링
9.2.1 전통적 의미 표상
9.2.2 얕은 임베딩으로 의미 표상하기
9.2.3 심층신경망으로 하는 의미 표상
9.2.4 관심 메커니즘으로 의미 표상 강화하기
9.3 딥러닝을 사용한 소셜 커넥션 모델링
9.3.1 소셜미디어 소셜 커넥션
9.3.2 소셜 커넥션을 모델링하는 네트워크 학습법
9.3.3 얕은 임베딩 모델
9.3.4 심층신경망 모델
9.3.5 네트워크 임베딩 적용
9.4 딥러닝을 이용한 추천
9.4.1 소셜미디어에서 추천
9.4.2 전통 추천 알고리즘
9.4.3 얕은 임베딩 기반 모델
9.4.4 심층신경망 기반 모델
9.5 요약

10장. 이미지로부터 자연어 생성을 위한 딥러닝
10.1 소개
10.2 배경
10.3 이미지에서 나온 자연어 생성을 위한 딥러닝 프레임워크
10.3.1 엔드 투 엔드 프레임워크
10.3.2 구성 프레임워크
10.3.3 기타 프레임워크
10.4 평가 지표 및 벤치마크
10.5 이미지 캡셔닝의 산업 배치
10.6 예제: 이미지에 대한 자연어 설명
10.7 이미지에서 스타일리시한 자연어 생성 최근 연구
10.8 요약

11장. 에필로그: 딥러닝 시대에 자연어 처리의 경계
11.1 소개
11.2 두 가지 새로운 관점
11.2.1 태스크 관점
11.2.2 표상 관점
11.3 자연어 처리를 위한 딥러닝의 주요 발전과 연구 경계선
11.3.1 일반화를 위한 구성
11.3.2 자연어 처리에 대한 비지도학습
11.3.3 자연어 처리를 위한 강화학습
11.3.4 자연어 처리를 위한 메타학습
11.3.5 해석 가능성: 약한 센스와 강한 센스
11.4 요약

전문용어
찾아보기

관련분야 신착자료

Stevens, Eli (2020)