Машинное обучение и обработка естественного языка [закрываются]

На этот связанный вопрос о переполнении стека есть несколько хороших ответов: Что является хорошей отправной точкой для тех, кто интересуется обработкой естественного языка?

Это очень большое поле.Предпосылки в основном состоят из вероятности / статистики, линейной алгебры и фундаментальной информатики, хотя обработка естественного языка требует для начала более интенсивного опыта в области компьютерных наук (часто охватывающего некоторые базовые ИИ). Относительно конкретных языков: Lisp был создан «запоздалой мыслью» для исследования AI , в то время как Prolog (с его корнями в формальной логике) специально нацелен на обработку естественного языка, и многие курсы будут использовать Prolog, Scheme, Matlab, R или другой функциональный язык (например, OCaml используется для этого курса в Корнелле ), поскольку они очень подходят для такого рода анализа.

Вот еще несколько конкретных указателей:

Для машинного обучения, Stanford CS 229: Machine Learning великолепен: он включает в себя все, включая полные видео лекций (также есть в iTunes), курс заметки, наборы задач и т. д., и этому очень хорошо научил Эндрю Нг .

Обратите внимание на предварительные требования:

Ожидается, что учащиеся будут обладать следующим опытом: Знание основных принципов и навыков информатики на уровне, достаточном для написания достаточно нетривиального компьютера. программа. Знакомство с основами теории вероятностей. Знакомство с базовой линейной алгеброй.

В курсе используются Matlab и / или Octave. Он также рекомендует следующие материалы для чтения (хотя сами примечания к курсу очень полны):

• Кристофер Бишоп, Распознавание образов и машинное обучение . Springer, 2006.
• Ричард Дуда, Питер Харт и Дэвид Сторк, Классификация паттернов , 2-е изд.John Wiley & Sons, 2001.
• Том Митчелл, Машинное обучение . McGraw-Hill, 1997.
• Ричард Саттон и Эндрю Барто, Обучение с подкреплением: Введение . MIT Press, 1998

Для обработки естественного языка группа НЛП в Стэнфорде предоставляет много полезных ресурсов. Вводный курс Stanford CS 224: Natural Language Processing включает все лекции в Интернете и имеет следующие предпосылки:

Достаточный опыт программирования и формальных структур. Программные проекты будут написаны на Java 1.5, поэтому знание Java (или желание учиться самостоятельно). Знание стандартных концепций в искусственном интеллекте и / или компьютерной лингвистике. Базовое знакомство с логикой, векторными пространствами, и вероятностью.

Вот некоторые рекомендуемые тексты:

• Даниэль Джурафски и Джеймс Х. Мартин. 2008. Обработка речи и языка: Введение в обработку естественного языка , Компьютерная лингвистика и распознавание речи. Второе издание. Прентис Холл.
• Кристофер Д. Мэннинг и Хинрих Шютце. 1999. Основы статистической обработки естественного языка . MIT Press.
• Джеймс Аллен. 1995. Понимание естественного языка . Бенджамин / Каммингс, 2 изд.
• Джеральд Газдар и Крис Меллиш. 1989. Обработка естественного языка в Прологе . Эддисон-Уэсли. (это доступно в Интернете для бесплатно )
• Фредерик Елинек. 1998. Статистические методы распознавания речи . MIT Press.

Обязательный курс вычислительной лингвистики требует базовых знаний компьютерного программирования и структур данных и использует те же учебники. Требуемый курс искусственного интеллекта также доступен в Интернете вместе с всеми конспектами лекций и использует:

• S. Рассел и П. Норвиг, Искусственный интеллект: современный подход . Второе издание

Это стандартный текст по искусственному интеллекту, который также стоит прочитать.

Я сам использую R для машинного обучения и очень рекомендую его. Для этого я бы посоветовал взглянуть на Элементы статистического обучения , полный текст которого доступен онлайн бесплатно. Вы можете обратиться к представлениям Машинное обучение и Обработка естественного языка на CRAN для получения информации о конкретных функциях.