完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>
標(biāo)簽 > 自然語(yǔ)言
自然語(yǔ)言(Natural language)通常是指一種自然地隨文化演化的語(yǔ)言。例如,漢語(yǔ)、英語(yǔ)、日語(yǔ)都是自然語(yǔ)言的例子,這一種用法可見(jiàn)于自然語(yǔ)言處理一詞中。自然語(yǔ)言是人類(lèi)交流和思維的主要工具。
文章:271個(gè) 瀏覽:13627次 帖子:1個(gè)
盤(pán)點(diǎn)人工智能領(lǐng)域的19個(gè)熱門(mén)應(yīng)用
自然語(yǔ)言生成是人工智能的分支,研究如何將數(shù)據(jù)轉(zhuǎn)化為文本,用于客戶(hù)服務(wù)、報(bào)告生成以及市場(chǎng)概述。
AttnGAN可以生成任意圖像,從普通的田園風(fēng)光到抽象的場(chǎng)景
更具體地說(shuō),除了將自然語(yǔ)言描述編碼到全局句子向量中,句中的每個(gè)單詞同樣有對(duì)應(yīng)的向量。在第一階段,生成網(wǎng)絡(luò)利用全局句子向量生成一個(gè)低分辨率的圖像。接著,它...
2018-08-24 標(biāo)簽:機(jī)器學(xué)習(xí)數(shù)據(jù)集自然語(yǔ)言 9982 0
淺析自然語(yǔ)言處理知識(shí)體系結(jié)構(gòu)
自然語(yǔ)言處理知識(shí)太龐大了,網(wǎng)上也都是一些零零散散的知識(shí),比如單獨(dú)講某些模型,也沒(méi)有來(lái)龍去脈,學(xué)習(xí)起來(lái)較為困難,于是總結(jié)了一份知識(shí)體系結(jié)構(gòu)。
現(xiàn)在人工智能已上升到國(guó)家發(fā)展戰(zhàn)略,科技部、教育部、基金委、工信部和產(chǎn)業(yè)、科研機(jī)構(gòu)、大學(xué)都在談人工智能。從50年代、60年代、70年代到現(xiàn)在,會(huì)發(fā)現(xiàn)人工智...
關(guān)于啟發(fā)式對(duì)話中的知識(shí)管理系統(tǒng)
繼續(xù)在這個(gè)圖里邊,剛才提到對(duì)話管理就是 DM,對(duì)話的理解就是知識(shí)庫(kù),問(wèn)答對(duì),還有一些通用的,比如說(shuō)抱怨,一種通用的狀態(tài),一般情況下可能是一種分類(lèi)的方式來(lái)...
2018-08-11 標(biāo)簽:管理系統(tǒng)自然語(yǔ)言知識(shí)圖譜 4379 0
深度學(xué)習(xí)在NLP中的發(fā)展和應(yīng)用
自然語(yǔ)言處理任務(wù)大概有哪些?我個(gè)人做了一個(gè)總結(jié),基本可以劃分分為五層項(xiàng)任務(wù):,詞法分析、句子分析、語(yǔ)義層面的分析、信息抽取,頂層的任務(wù)。頂層任務(wù)就是直接...
2018-07-24 標(biāo)簽:深度學(xué)習(xí)自然語(yǔ)言NLP 7004 0
當(dāng)前AI的核心問(wèn)題并不在于它們解決專(zhuān)業(yè)化的問(wèn)題的能力—— 它們已經(jīng)在某些領(lǐng)域完全超遠(yuǎn)了人類(lèi)的表現(xiàn)。其核心問(wèn)題在于但它們本質(zhì)上是狹義的(設(shè)計(jì)上是局限的),...
2018-07-22 標(biāo)簽:人工智能深度學(xué)習(xí)自然語(yǔ)言 3662 0
文本分類(lèi)任務(wù)介紹和傳統(tǒng)機(jī)器學(xué)習(xí)方法
Static vs. Non-static Representations: 在大部分的語(yǔ)料上,CNN-non-static都優(yōu)于CNN-static,...
2018-07-17 標(biāo)簽:文本分類(lèi)機(jī)器學(xué)習(xí)自然語(yǔ)言 9876 0
decaNLP通用模型誕生,可以輕松搞定十項(xiàng)自然語(yǔ)言任務(wù)
近日,Salesforce發(fā)布了一項(xiàng)新的研究成果:decaNLP——一個(gè)可以同時(shí)處理機(jī)器翻譯、問(wèn)答、摘要、文本分類(lèi)、情感分析等十項(xiàng)自然語(yǔ)言任務(wù)的通用模型。
2018-07-17 標(biāo)簽:深度學(xué)習(xí)自然語(yǔ)言NLP 3001 0
“導(dǎo)游Bot”在模擬的紐約市中導(dǎo)航定位,使用自然語(yǔ)言跟“游客Bot”交流
研究人員表示,Talk the Walk是首個(gè)將所有三個(gè)要素結(jié)合在一起的任務(wù):感知(游客Bot觀察世)、行為(游客Bot在環(huán)境中導(dǎo)航),以及語(yǔ)言交互達(dá)成...
新的深度神經(jīng)網(wǎng)絡(luò)模型命名為CODEnn
CODEnn接受代碼、描述作為輸入,預(yù)測(cè)其嵌入表示的余弦相似度。具體而言,每個(gè)訓(xùn)練樣本為一個(gè)三元組(C, D+, D-),其中C為代碼片段,D+為正面樣...
2018-07-13 標(biāo)簽:神經(jīng)網(wǎng)絡(luò)源代碼自然語(yǔ)言 1.2萬(wàn) 0
深度學(xué)習(xí)為什么依賴(lài)于超大的計(jì)算能力?
雖然許多硬件計(jì)算單元(GPU、FPGA 等)的計(jì)算能力很強(qiáng)大,但是它們的內(nèi)存資源(即設(shè)備內(nèi)存)非常稀缺。當(dāng)它們不能提供模型運(yùn)行所需要的內(nèi)存資源時(shí),要么運(yùn)...
2018-07-03 標(biāo)簽:神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)自然語(yǔ)言 1.0萬(wàn) 0
LSTM的核心構(gòu)成,實(shí)際中“門(mén)”的效果如何?
門(mén)是否真的具有我們上述描述的意義呢?這也是我們這篇論文的出發(fā)點(diǎn)。為了探究這個(gè)問(wèn)題,我們分析了IWSLT14德語(yǔ)-英語(yǔ)的翻譯任務(wù),這個(gè)翻譯任務(wù)的模型是基于...
2018-07-02 標(biāo)簽:神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯自然語(yǔ)言 1.0萬(wàn) 0
基于文本語(yǔ)料推斷含義及使用外部含義清單的含義表示模型
Johansson和Pina在2015年提出,后處理預(yù)訓(xùn)練詞嵌入可以看起一個(gè)優(yōu)化問(wèn)題:多義詞嵌入可以分解為其含義嵌入的組合,同時(shí)含義嵌入應(yīng)該靠近其語(yǔ)義網(wǎng)...
2018-07-02 標(biāo)簽:神經(jīng)網(wǎng)絡(luò)函數(shù)自然語(yǔ)言 3827 0
計(jì)算文本相似度幾種最常用的方法,并比較它們之間的性能
估計(jì)兩句子間語(yǔ)義相似度最簡(jiǎn)單的方法就是求句子中所有單詞詞嵌入的平均值,然后計(jì)算兩句子詞嵌入之間的余弦相似性。很顯然,這種簡(jiǎn)單的基準(zhǔn)方法會(huì)帶來(lái)很多變數(shù)。我...
2018-06-30 標(biāo)簽:編碼器數(shù)據(jù)集自然語(yǔ)言 5.4萬(wàn) 0
下圖為一個(gè)雙層LSTM對(duì)三個(gè)不同的單詞的反應(yīng)分布。該LSTM每層有600個(gè)細(xì)胞狀態(tài)單元,基于Penn Tree Bank(PTB)數(shù)據(jù)集訓(xùn)練。我們可以看...
2018-06-30 標(biāo)簽:神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)自然語(yǔ)言 1.7萬(wàn) 0
語(yǔ)言模型、RNN、LSTM以及NLP數(shù)據(jù)預(yù)處理流程
我使用了知名的BeautifulSoup包,我花了5分鐘,看了Justin Yek寫(xiě)的How to scrape websites with Pytho...
2018-06-30 標(biāo)簽:機(jī)器學(xué)習(xí)python自然語(yǔ)言 1.4萬(wàn) 0
討論深度學(xué)習(xí)的不同方式,讓你了解客戶(hù)的聲音
本體和詞匯是這些方法的基石。他們定義了特定行業(yè)或企業(yè)的詞匯。然而,關(guān)鍵字提供了有限的洞察力,不能涵蓋諸如“如果房間更大,我將給酒店評(píng)為5星級(jí)”之類(lèi)的復(fù)雜...
2018-06-15 標(biāo)簽:機(jī)器學(xué)習(xí)深度學(xué)習(xí)自然語(yǔ)言 3313 0
工業(yè)應(yīng)用的自然語(yǔ)言理解和結(jié)構(gòu)化知識(shí)
同時(shí),語(yǔ)言也是至關(guān)重要的。我們需要從所有工廠以外的地方獲取很多的數(shù)據(jù),并把這些數(shù)據(jù)應(yīng)用于我們的工廠,比如進(jìn)行產(chǎn)品研發(fā)、產(chǎn)品升級(jí)、生產(chǎn)計(jì)劃,比如我們希望看...
FollowNet一個(gè)用于學(xué)習(xí)多模態(tài)導(dǎo)航策略的端到端的可微神經(jīng)架構(gòu)
人們經(jīng)常通過(guò)觀察周?chē)沫h(huán)境和遵循指令在未知的環(huán)境中導(dǎo)航。這些指令主要由地標(biāo)和方向性指令以及其他常用詞語(yǔ)組成。例如,人們可以在一個(gè)他們以前沒(méi)有去過(guò)的家中找...
編輯推薦廠商產(chǎn)品技術(shù)軟件/工具OS/語(yǔ)言教程專(zhuān)題
電機(jī)控制 | DSP | 氮化鎵 | 功率放大器 | ChatGPT | 自動(dòng)駕駛 | TI | 瑞薩電子 |
BLDC | PLC | 碳化硅 | 二極管 | OpenAI | 元宇宙 | 安森美 | ADI |
無(wú)刷電機(jī) | FOC | IGBT | 逆變器 | 文心一言 | 5G | 英飛凌 | 羅姆 |
直流電機(jī) | PID | MOSFET | 傳感器 | 人工智能 | 物聯(lián)網(wǎng) | NXP | 賽靈思 |
步進(jìn)電機(jī) | SPWM | 充電樁 | IPM | 機(jī)器視覺(jué) | 無(wú)人機(jī) | 三菱電機(jī) | ST |
伺服電機(jī) | SVPWM | 光伏發(fā)電 | UPS | AR | 智能電網(wǎng) | 國(guó)民技術(shù) | Microchip |
Arduino | BeagleBone | 樹(shù)莓派 | STM32 | MSP430 | EFM32 | ARM mbed | EDA |
示波器 | LPC | imx8 | PSoC | Altium Designer | Allegro | Mentor | Pads |
OrCAD | Cadence | AutoCAD | 華秋DFM | Keil | MATLAB | MPLAB | Quartus |
C++ | Java | Python | JavaScript | node.js | RISC-V | verilog | Tensorflow |
Android | iOS | linux | RTOS | FreeRTOS | LiteOS | RT-THread | uCOS |
DuerOS | Brillo | Windows11 | HarmonyOS |