یادگیری عمیق برای جستجو ۲۰۱۹
Deep Learning for Search 2019

کتاب *یادگیری عمیق برای جستجو* به شما می‌آموزد که چگونه با پیاده‌سازی تکنیک‌های مبتنی بر شبکه‌های عصبی، اثربخشی جستجوی خود را بهبود بخشید. پس از اتمام این کتاب، شما آماده خواهید بود موتورهای جستجوی شگفت‌انگیزی بسازید که نتایج مورد نیاز کاربران شما را ارائه می‌دهند و با گذشت زمان بهتر می‌شوند!

پیشگفتار توسط کریس متمن.

با خرید نسخه چاپی این کتاب، یک نسخه الکترونیکی رایگان با فرمت‌های PDF، Kindle و ePub از انتشارات Manning دریافت خواهید کرد.

درباره‌ی فناوری

یادگیری عمیق سخت‌ترین چالش‌های جستجو، از جمله اصطلاحات جستجوی مبهم، داده‌های بد فهرست‌بندی شده و بازیابی تصاویر با حداقل فراداده را مدیریت می‌کند. و با ابزارهای مدرنی مانند DL4J و TensorFlow، می‌توانید تکنیک‌های قدرتمند DL را بدون داشتن پیشینه‌ی عمیق در علم داده یا پردازش زبان طبیعی (NLP) اعمال کنید. این کتاب به شما نشان خواهد داد که چگونه.

درباره‌ی کتاب

کتاب *یادگیری عمیق برای جستجو* به شما می‌آموزد که چگونه نتایج جستجوی خود را با شبکه‌های عصبی بهبود بخشید. شما نحوه‌ی ارتباط DL با مبانی جستجو مانند فهرست‌بندی و رتبه‌بندی را مرور خواهید کرد. سپس، مثال‌های عمیقی را برای ارتقای جستجوی خود با تکنیک‌های DL با استفاده از Apache Lucene و Deeplearning4j طی خواهید کرد. با پیشرفت کتاب، موضوعات پیشرفته‌ای مانند جستجو در تصاویر، ترجمه پرسش‌های کاربر و طراحی موتورهای جستجو که با یادگیری بهبود می‌یابند را بررسی خواهید کرد!

آنچه در این کتاب خواهید آموخت

* رتبه‌بندی‌های دقیق و مرتبط
* جستجو در بین زبان‌ها
* جستجوی تصویر مبتنی بر محتوا
* جستجو با توصیه‌ها

درباره‌ی خواننده

برای توسعه‌دهندگانی که با جاوا یا یک زبان مشابه و مبانی جستجو راحت هستند. نیازی به تجربه در یادگیری عمیق یا NLP نیست.

درباره‌ی نویسنده
توماسو تئوفیلی یک مهندس نرم‌افزار با اشتیاق به متن‌باز و یادگیری ماشین است. او به عنوان عضوی از بنیاد نرم‌افزار آپاچی، در تعدادی از پروژه‌های متن‌باز در زمینه‌های مختلف از جمله بازیابی اطلاعات (مانند Lucene و Solr) تا پردازش زبان طبیعی و ترجمه ماشینی (از جمله OpenNLP، Joshua و UIMA) مشارکت می‌کند.

او در حال حاضر در Adobe مشغول به کار است و به توسعه‌ی اجزای زیرساخت جستجو و فهرست‌بندی و تحقیق در زمینه‌های پردازش زبان طبیعی، بازیابی اطلاعات و یادگیری عمیق می‌پردازد. او سخنرانی‌هایی در مورد جستجو و یادگیری ماشین در کنفرانس‌هایی از جمله BerlinBuzzwords، کنفرانس بین‌المللی علوم محاسباتی، ApacheCon، EclipseCon و غیره ارائه داده است. می‌توانید او را در توییتر با نام کاربری @tteofili پیدا کنید.

فهرست مطالب

بخش 1 – ملاقات جستجو با یادگیری عمیق
1. جستجوی عصبی
2. تولید مترادف‌ها
بخش 2 – پرتاب شبکه‌های عصبی به سمت موتور جستجو
1. از بازیابی ساده تا تولید متن
2. پیشنهادات پرسش حساس‌تر
3. رتبه‌بندی نتایج جستجو با embeddingهای کلمه
4. embeddingهای سند برای رتبه‌بندی و توصیه‌ها
بخش 3 – یک گام فراتر
1. جستجو در بین زبان‌ها
2. جستجوی تصویر مبتنی بر محتوا
3. نگاهی اجمالی به عملکرد

Deep Learning for Search teaches you how to improve the effectiveness of your search by implementing neural network-based techniques. By the time you’re finished with the book, you’ll be ready to build amazing search engines that deliver the results your users need and that get better as time goes on!

Foreword by Chris Mattmann.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the Technology

Deep learning handles the toughest search challenges, including imprecise search terms, badly indexed data, and retrieving images with minimal metadata. And with modern tools like DL4J and TensorFlow, you can apply powerful DL techniques without a deep background in data science or natural language processing (NLP). This book will show you how.

About the Book

Deep Learning for Search teaches you to improve your search results with neural networks. You’ll review how DL relates to search basics like indexing and ranking. Then, you’ll walk through in-depth examples to upgrade your search with DL techniques using Apache Lucene and Deeplearning4j. As the book progresses, you’ll explore advanced topics like searching through images, translating user queries, and designing search engines that improve as they learn!

What’s inside

• Accurate and relevant rankings
• Searching across languages
• Content-based image search
• Search with recommendations

About the Reader

For developers comfortable with Java or a similar language and search basics. No experience with deep learning or NLP needed.

About the Author

Tommaso Teofili is a software engineer with a passion for open source and machine learning. As a member of the Apache Software Foundation, he contributes to a number of open source projects, ranging from topics like information retrieval (such as Lucene and Solr) to natural language processing and machine translation (including OpenNLP, Joshua, and UIMA).

He currently works at Adobe, developing search and indexing infrastructure components, and researching the areas of natural language processing, information retrieval, and deep learning. He has presented search and machine learning talks at conferences including BerlinBuzzwords, International Conference on Computational Science, ApacheCon, EclipseCon, and others. You can find him on Twitter at @tteofili.

Table of Contents

PART 1 – SEARCH MEETS DEEP LEARNING
1. Neural search
2. Generating synonyms

PART 2 – THROWING NEURAL NETS AT A SEARCH ENGINE

3. From plain retrieval to text generation
4. More-sensitive query suggestions
5. Ranking search results with word embeddings
6. Document embeddings for rankings and recommendations

PART 3 – ONE STEP BEYOND

7. Searching across languages
8. Content-based image search
9. A peek at performance