本书作者将全书分为“机器学习、自然语言处理与语音介绍”“深度学习介绍”和“用于文本与语音的高阶深度学习技术”三部分。本书内容丰富全面，可作为相关专业本科生和其他专业研究生学习自然语言处理和语音识别技术的教材，也可供从事相关领域科技开发和应用工作的技术人员自学参考。

乌黛·卡马特博士是BAE系统应用智能公司的首席数据科学家，专门研究可扩展机器学习，并在反洗钱（AML）、金融犯罪欺诈检验、网络空间安全和生物信息学领域拥有20年的研究经验。Kamath博士负责BAE系统应用智能公司AI部门核心产品的研究分析，这些产品涉及的领域有行为科学、社交网络和大数据机器学习方面。在Kenneth De Jong博士的指导下，他获得了乔治梅森大学的博士学位，他的论文研究聚焦于大数据和自动化序列挖掘的机器学习领域。

推荐序一
推荐序二
推荐序三
译者序
前言
致谢
符号约定
第一部分 机器学习、自然语言处理与语音介绍
第1章 引言
1.1 机器学习
1.1.1 监督学习
1.1.2 无监督学习
1.1.3 半监督学习和主动学习
1.1.4 迁移学习和多任务学习
1.1.5 强化学习
1.2 历史背景
1.2.1 深度学习简史
1.2.2 自然语言处理简史
1.2.3 自动语音识别简史
1.3 为实践者提供的工具、库、数据集和资源
1.3.1 深度学习
1.3.2 自然语言处理
1.3.3 语音识别
1.3.4 书籍
1.3.5 在线课程与资源
1.3.6 数据集
1.4 案例研究和实现细节
参考文献
第2章 机器学习基础
2.1 章节简介
2.2 监督学习：框架和正式定义
2.2.1 输入空间和样本
2.2.2 目标函数和标签
2.2.3 训练和预测
2.3 学习过程
2.4 机器学习理论
2.4.1 通过Vapnik-Chervonenkis分析进行“泛化-近似”的权衡
2.4.2 通过偏差-方差分析进行“泛化-近似”的权衡
2.4.3 模型性能和评估指标
2.4.4 模型验证
2.4.5 模型估计和对比
2.4.6 机器学习中的实践经验
2.5 线性算法
2.5.1 线性回归
2.5.2 感知机
2.5.3 正则化
2.5.4 逻辑回归
2.5.5 生成式分类器
2.5.6 线性算法中的实践经验
2.6 非线性算法
2.6.1 支持向量机
2.6.2 其他非线性算法
2.7 特征的转换、选择和降维
2.7.1 特征转换
2.7.2 特征选择和降维
……
第二部分 深度学习介绍
第三部分 用于文本与语音的高阶深度学习技术