Merkzettel Warenkorb
Produktbild: Deep Learning and Linguistic Representation

Deep Learning and Linguistic Representation

214,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.04.2021

Abbildungen

schwarz-weiss Illustrationen, Tabellen, schwarz-weiss

Verlag

Taylor and Francis

Seitenzahl

168

Maße (L/B/H)

24/16,1/1,4 cm

Gewicht

367 g

Sprache

Englisch

ISBN

978-0-367-64947-0

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

27.04.2021

Abbildungen

schwarz-weiss Illustrationen, Tabellen, schwarz-weiss

Verlag

Taylor and Francis

Seitenzahl

168

Maße (L/B/H)

24/16,1/1,4 cm

Gewicht

367 g

Sprache

Englisch

ISBN

978-0-367-64947-0

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
Die Leseprobe wird geladen.
  • Produktbild: Deep Learning and Linguistic Representation

  • Chapter 1 Introduction: Deep Learning in Natural Language Processing
    1.1 OUTLINE OF THE BOOK
    1.2 FROM ENGINEERING TO COGNITIVE SCIENCE
    1.3 ELEMENTS OF DEEP LEARNING
    1.4 TYPES OF DEEP NEURAL NETWORKS
    1.5 AN EXAMPLE APPLICATION
    1.6 SUMMARY AND CONCLUSIONS

    Chapter 2 Learning Syntactic Structure with Deep Neural Networks
    2.1 SUBJECT-VERB AGREEMENT
    2.2 ARCHITECTURE AND EXPERIMENTS
    2.3 HIERARCHICAL STRUCTURE
    2.4 TREE DNNS
    2.5 SUMMARY AND CONCLUSIONS

    Chapter 3 Machine Learning and The Sentence Acceptability Task
    3.1 GRADIENCE IN SENTENCE ACCEPTABILITY
    3.2 PREDICTING ACCEPTABILITY WITH MACHINE LEARNING MODELS
    3.3 ADDING TAGS AND TREES
    3.4 SUMMARY AND CONCLUSIONS

    Chapter 4 Predicting Human Acceptability Judgments in Context
    4.1 ACCEPTABILITY JUDGMENTS IN CONTEXT
    4.2 TWO SETS OF EXPERIMENTS
    4.3 THE COMPRESSION EFFECT AND DISCOURSE COHERENCE
    4.4 PREDICTING ACCEPTABILITY WITH DIFFERENT DNN MODELS
    4.5 SUMMARY AND CONCLUSIONS

    Chapter 5 Cognitively Viable Computational Models of Linguistic Knowledge
    5.1 HOW USEFUL ARE LINGUISTIC THEORIES FOR NLP APPLICATIONS?
    5.2 MACHINE LEARNING MODELS VS FORMAL GRAMMAR
    5.3 EXPLAINING LANGUAGE ACQUISITION
    5.4 DEEP LEARNING AND DISTRIBUTIONAL SEMANTICS 1
    5.5 SUMMARY AND CONCLUSIONS

    Chapter 6 Conclusions and Future Work
    6.1 REPRESENTING SYNTACTIC AND SEMANTIC KNOWLEDGE
    6.2 DOMAIN SPECIFIC LEARNING BIASES AND LANGUAGE ACQUISITION
    6.3 DIRECTIONS FOR FUTURE WORK

    REFERENCES

    Author Index

    Subject Index