Ковалев нлп техники: Сергей Ковалев — Основы нейролингвистического программирования читать онлайн бесплатно

Автор: Ковалев Сергей Викторович — 11 книг.Главная страница.

ЛитВек — электронная библиотека >> Популярные авторы >> Сергей Викторович Ковалев

КОММЕНТАРИИ 1613

Cто лет безналом
Nik Держ

Правописание тся и ться для автора или копировщика непосильная ноша?

Сергей   22-03-2023 в 14:39   #190869

Еще один попаданец. Трилогия (СИ)
Вячеслав Николаевич Сизов

Нудно,затянуто,язык суконный. Не тратьте свое время

Борис   20-03-2023 в 22:05   #190868

Аполлион (ЛП)
Дженнифер Ли Арментроут

Весьма впечатляющее начало данной серии, но с момента, как появляются чувства у ГГ к Аполлиону, все становится максимально открытым и понятным.. к сожалению, книга не впечатлила так, как многие предыдущие работы автора. Увы, но нет этих супер интересных развилок, непредвиденных сюжетных поворотов.

Увы, но ГГ самая настоящая дyра… я просто удивлялась, что этим персонажем движет? Для меня это тайна.. собственно, книга на 4 из 10.
А начиналось так красиво…

Дарья   18-03-2023 в 23:23   #190867

Будешь моей мамой
Ирина Волчок

Язык просто роскошный, волшебный, не оторваться. Но что в книгах Волчок бесценно, так это удивительная доброта, любовь к людям, заразительный оптимизм.

Мачка   18-03-2023 в 13:43   #190865

Попал
Никита Дейнеко

Н Дейнеко своровал книгу у Alexborkov размещенную 14.01. 23 на Япишу. На автор тудей его уже удалили за воровство. Продолжение он не напишет ссылается на сгоревшие записки родственника из 19 века.Книги на автор тудей удалили но страница с его комментариями осталась.

алексей   17-03-2023 в 15:06   #190864

Ручьём серебряным к Байкалу
Александр Сергеевич Донских

Согласен! Точные замечания. Читал с нараставшим интересом. Концовка немного не так, но — как говорится на любителя. Читайте!!!

РОВу   17-03-2023 в 12:09   #190863

Аватары тьмы (СИ)
Ольга Юрьевна Моисеева

Сука хватит копаться в чужих жизнях! В СВОЕМ ГЛАЗУ БРЕВНО НЕ ВИДИШЬ! САТАНА!

Нина   17-03-2023 в 09:31   #190862

Ніколі не забудзем
Пятро Рунец

Мне ооооочень понравился этот рассказ

Kisik   12-03-2023 в 21:40   #190855

Александра. Клан
Татьяна Кис

Отличная книга! Никаких роялей в кустах, мерисьюишничестваи всех везения

Александра   11-03-2023 в 20:00   #190853

Mass Effect
Дрю Карпишин

Я, ещё до 2000ных, что то похожее читала. Никак не вспомню автора. Было несколько романов. Но, точно помню, были спектры, пещеры, герой, получивший способность ходить через стены.

Светлана.   11-03-2023 в 13:28   #190851

ВСЕ КОММЕНТАРИИ

 

Возвращение к здоровью или как вылечить свое тело и душу без врачей и лекарств. Руководство по основам исцеления Автор: Сергей Викторович Ковалев Жанр: Психология, Самосовершенствование Серия: — Год издания: 2014 Язык книги: русский Страниц: 219 Читать Формат: fb2  Скачать

Возвращение к здоровью или как вылечить свое тело и душу без врачей и лекарств Руководство по основам исцеления © Ковалёв С. В., 2013-2014 © Издание, оформление. Animedia Company, 2014 Kovaljov, Sergej:… … Полное описание книги

Комментировать   : 1 : 0 : 0 : 0 : 0 : 0  

Возвращение к здоровью, или Как вылечить свое тело и душу без врачей и лекарств Автор: Сергей Викторович Ковалев Жанр: Самосовершенствование Серия: — Год издания: — Язык книги: русский Страниц: — Читать Формат: epub  Скачать

Аннотация к этой книге отсутствует.   На страницу книги

Комментировать   : 0 : 0 : 0 : 0 : 0 : 0  

История вашего будущего Автор: Сергей Викторович Ковалев Жанр: Физика Серия: — Год издания: — Язык книги: русский Страниц: 153 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Аннотация к этой книге отсутствует.

  На страницу книги

Комментировать   : 0 : 0 : 0 : 0 : 0 : 0  

Исцеление с помощью НЛП Автор: Сергей Викторович Ковалев Жанр: Самосовершенствование, Психология Серия: — Год издания: 2001 Язык книги: русский Страниц: 471 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Эта книга известного мастера НЛП о том, как с помощью одной из наиболее эффективных психотехнологий XXI века— нейролингвистического программирования — можно, как минимум, резко повысить эффективность всех тех обычных медицинских процедур, которыми… … Полное описание книги

Комментировать   : 0 : 1 : 0 : 0 : 0 : 0  

Как жить, чтобы жить, или Основы экзистенциального нейропрограммирования org/Person»>Автор: Сергей Викторович Ковалев Жанр: Психология Серия: Год издания: 2013 Язык книги: русский Страниц: 208 Рейтинг: оценок: 1 (средняя: 9) Читать Формат: fb2  Скачать

Книга всемирно известного российского психотерапевта и психолога посвящена рассказу о созданной им новой науке: экзистенциальном нейропрограммировании (ЭНП). Области современной прикладной психологии и практической психотерапии, позволяющей любому… … Полное описание книги

Комментировать   : 0 : 0 : 0 : 0 : 0 : 0  

Мы родом из страшного детства, или Как стать хозяином своего прошлого, настоящего и будущего Автор: Сергей Викторович Ковалев Жанр: Самосовершенствование Серия: — Год издания: 2014 Язык книги: русский Страниц: 203 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Аннотация к этой книге отсутствует.   На страницу книги

Комментировать   : 0 : 0 : 1 : 1 : 1 : 0  

Мы родом из страшного детства, или Как стать хозяином своего прошлого, настоящего и будущего Автор: Сергей Викторович Ковалев Жанр: Самосовершенствование Серия: — Год издания: — Язык книги: русский Страниц: — Читать Формат: epub  Скачать

Аннотация к этой книге отсутствует.   На страницу книги

Комментировать   : 0 : 1 : 0 : 0 : 0 : 0  

НЛП. Программа «Счастливая судьба». Ставим, запускаем, используем! Автор: Сергей Викторович Ковалев Жанр: О бизнесе популярно, Самосовершенствование Серия: — Год издания: 2016 Язык книги: русский Страниц: 358 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Если вы недовольны, как сложилась или складывается сейчас ваша жизнь, то это руководство именно для вас! Вы нашли искомое и желаемое – книгу, которая позволит избавиться от диктата запрограммированной в вас «хромой судьбы» и обрести подлинную. .. … Полное описание книги

Комментировать   : 0 : 0 : 0 : 0 : 0 : 0  

Основы нейролингвистического программирования Автор: Сергей Викторович Ковалев Жанр: Психология Серия: — Год издания: 2001 Язык книги: русский Страниц: 161 Читать Формат: fb2  Скачать

Книга известного специалиста в области нейролингвистического программирования выгодно отличается тем, что в ней не только фундаментально описаны принципы, методы и техники НЛП, но и приведена система упражнений, последовательное прохождение которых… … Полное описание книги

Комментировать   : 0 : 1 : 0 : 1 : 1 : 0  

Психотерапия человеческой жизни. Основы интегрального нейропрограммирования. Автор: Сергей Викторович Ковалев Жанр: Психотерапия и консультирование, Самосовершенствование, Психология Серия: Библиотека inp Год издания: 2014 Язык книги: русский Страниц: 323 Читать Формат: fb2  Скачать

В книге известного психотерапевта и психолога рассказывается о созданном им интегральном нейропрограммировании. Это новая область психотерапевтической науки и психологического знания, позволяющая осуществить все виды психотерапии с человеком на всех… … Полное описание книги

Комментировать   : 0 : 2 : 0 : 0 : 0 : 0  

Семь шагов от пропасти. НЛП-терапия наркотических зависимостей org/Person»>Автор: Сергей Викторович Ковалев Жанр: Психотерапия и консультирование, Самосовершенствование Серия: — Год издания: 2016 Язык книги: русский Страниц: 230 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Это четвертое издание популярной книги известного психолога, психотерапевта высшей в Европе квалификации, одного из лидеров отечественного и мирового нейролингвистического программирования, создателя нового самостоятельного и официально признанного… … Полное описание книги

Комментировать   : 0 : 0 : 0 : 0 : 0 : 0  

Книга «Основы нейролингвистического программирования. Учебное пособие» Ковалев С В

• Книги
  • Художественная литература
  • Нехудожественная литература
  • Детская литература
  • Литература на иностранных языках
  • Путешествия. Хобби. Досуг
  • Книги по искусству
  • Биографии. Мемуары. Публицистика
  • Комиксы. Манга. Графические романы
  • Журналы
  • Печать по требованию
  • Книги с автографом
  • Книги в подарок
  • «Москва» рекомендует

  • Авторы • Серии • Издательства • Жанр

• Электронные книги
  • Русская классика
  • Детективы
  • Экономика
  • Журналы
  • Пособия
  • История
  • Политика
  • Биографии и мемуары
  • Публицистика
• Aудиокниги
  • Электронные аудиокниги
  • CD – диски
• Коллекционные издания
  • Зарубежная проза и поэзия
  • Русская проза и поэзия
  • Детская литература
  • История
  • Искусство
  • Энциклопедии
  • Кулинария. Виноделие
  • Религия, теология
  • Все тематики
• Антикварные книги
  • Детская литература
  • Собрания сочинений
  • Искусство
  • История России до 1917 года
  • Художественная литература. Зарубежная
  • Художественная литература. Русская
  • Все тематики
  • Предварительный заказ
  • Прием книг на комиссию
• Подарки
  • Книги в подарок
  • Авторские работы
  • Бизнес-подарки
  • Литературные подарки
  • Миниатюрные издания
  • Подарки детям
  • Подарочные ручки
  • Открытки
  • Календари
  • Все тематики подарков
  • Подарочные сертификаты
  • Подарочные наборы
  • Идеи подарков
• Канцтовары
  • Аксессуары делового человека
  • Необычная канцелярия
  • Бумажно-беловые принадлежности
  • Письменные принадлежности
  • Мелкоофисный товар
  • Для художников
• Услуги
  • Бонусная программа
  • Подарочные сертификаты
  • Доставка по всему миру
  • Корпоративное обслуживание
  • Vip-обслуживание
  • Услуги антикварно-букинистического отдела
  • Подбор и оформление подарков
  • Изготовление эксклюзивных изданий
  • Формирование семейной библиотеки

Расширенный поиск

Ковалев С. В.

3 способа НЛП завоевать клиентов для Fintech

Перейти к основному содержанию

Алексей К.

Алексей К.

Ведущий специалист по цифровому маркетингу в Professional Software Associates Inc. (PSA)

Опубликовано 25 февраля 2020 г.

+ Подписаться

Недавние достижения в области искусственного интеллекта (ИИ) и, в частности, его подобластей — машинного обучения (МО) и обработки естественного языка (НЛП) приближают нас к тому моменту, когда мы перестанем различать то, как люди говорят ( человеческая речь) и то, как машины интерпретируют и воспроизводят ее (машинная речь).

И мы держим пари, что FinTech даст нам некоторые из самых ярких примеров здесь — индустрия финансовых услуг всегда была одной из первых, кто внедрял новые технологии.

Думаете об интеграции НЛП в свои услуги? Вот несколько идей о том, как использовать основное программное обеспечение NLP с доказанной рентабельностью сегодня, что будет бум завтра, и как использовать инструменты нового поколения раньше, чем ваши конкуренты.

Влияние НЛП на финтех: обзор

Чего сегодня ожидают клиенты от своих банков, страховых компаний и кредитных союзов? Сделки в режиме реального времени, контролируемое управление своими активами и возможность решить любой вопрос онлайн.

Для этого финансовые услуги должны предоставляться с использованием передовых технологий, демонстрирующих скорость, интеллект и автономность.

ИИ, превращающий машины в человекоподобные сущности, заставляет их выполнять те же задачи, что и люди, но лучше и быстрее. Это достигается с помощью комплекса инструментов и технических решений, основанных в основном на его основных поддоменах — машинном обучении (ML) и обработке естественного языка (NLP).

Машинное обучение обучает системы учиться на «опыте», т. е. на поступающих данных, и принимать решения на основе данных. НЛП обучается так же, как и другие системы, но имеет конкретную цель: оно должно дать машинам возможность интерпретировать человеческую речь как в произнесенной (автоматическая речь), так и в печатной форме (автоматическое написание текста).

Обработка естественного языка в Fintech (как и в любой другой отрасли) имеет 2 основных варианта использования:

• Понимание человеческой речи и извлечение ее значения. Распознавание намерения и выработка соответствующей реакции (просьба о помощи, передача претензии и т. д.).
• Преобразование неструктурированных данных в базах данных и документах в структурированные данные и извлечение полезной информации с помощью распознавания образов (анализ текста).

НЛП в финтех: примеры использования сегодня и завтра

В Itexus мы можем выделить несколько вариантов использования, где ИИ и НЛП влияют на мир FinTech:

• Превращение чат-ботов в виртуальных помощников и консультантов человеческое общение
• Использование НЛП для обнаружения мошенничества
• Сегментация клиентов на группы и улучшение соответствующих продуктовых предложений
• Сокращение административной работы и автоматизация отдельных задач и целых доменов

Области применения:

Обслуживание клиентов

«Разговорный банкинг» — это новое явление, означающее радикальный переход от простых чат-ботов к полноценным цифровым помощникам. Компании, занимающиеся обработкой естественного языка, предоставляют им функциональные возможности, помогая преобразовывать запросы пользователей в информацию, которую можно использовать для соответствующих ответов.

Чем сегодня пользуются ваши конкуренты:  Чат-бот, доступный круглосуточно и без выходных, который упрощает общение между банком и его клиентом, предоставляет помощь на основе скриптов при незначительных проблемах и быстро разрешает простые жалобы.

Как выделить свой бизнес среди них:  Инвестируйте в виртуальных помощников с расширенными возможностями, способными обрабатывать контекст, анализировать тональность текста, выполнять прогнозный анализ.

• Консультирование потребителей по вопросам управления банковским счетом
• Отправка оповещения при приближении лимита расходов
• Пометка платежей в случае обнаружения аномалии.

Эти функции характерны для бота «Эрика», и его успех был невероятным: виртуальный помощник на основе ИИ помог Банку Америки привлечь более 1 миллиона новых пользователей менее чем за 2 месяца после запуска бота в 2017 году.

Еще одна новая тенденция, на которую стоит обратить внимание, — это исследование голосовых отпечатков и голосовая биометрия, которые используются для аутентификации пользователя, помогают завершить транзакцию и предотвратить мошеннические действия.

Что будет дальше:  Развивающиеся алгоритмы машинного обучения и, в частности, глубокие нейронные сети скоро позволят создавать виртуальных помощников, способных:

• Поддерживать семантически непротиворечивую коммуникацию
• Построение модели нейронного диалога на основе личности
• Разные реакции в диалоге с клиентом.

InsurTech

Передовые цифровые агенты и обслуживание клиентов на основе NLP также являются следующим важным событием на мировом страховом рынке.

Чем сегодня пользуются ваши конкуренты: Чат-бот на основе предопределенных правил выбора профиля риска, способный:

• Автоматический выбор страховых продуктов
• Автоматизация андеррайтинга: пользователь подает онлайн-заявку на страховое возмещение, получает решение и сопутствующая процентная ставка
• Подача претензий, отвечая на стандартные дополнительные вопросы.

Как отличить свой бизнес от них:  Как только вы решите интегрировать чат-бота и обратитесь в компанию по разработке программного обеспечения FinTech, подумайте о добавлении расширенных функций, таких как:

• Простое одобрение заявки. Чат-боту с искусственным интеллектом, разработанному страховым стартапом Lemonade из Нью-Йорка, понадобилось 3 секунды, чтобы урегулировать простой страховой случай. Как отметил Даниэль Шрайбер, генеральный директор стартапа, такие чат-боты позволяют резко сократить расходы, иначе «11-13% премий уходит на бюрократию обработки претензий».
• Алгоритмы защиты от мошенничества. В этом случае чат-бот пропускает детали претензии через алгоритм обнаружения мошенничества, прежде чем оплачивать урегулирование претензии. Например, он может обнаруживать личные связи между людьми, участвующими в претензиях, и при необходимости помечать их для дальнейшего изучения.

Что будет дальше?0036

Обработка сложных требований и расчетов в режиме реального времени

Безопасный поиск личной информации.

RegTech

RegTech — это развивающийся сегмент FinTech, в котором новые технологии используются для облегчения соблюдения нормативных требований.

Отрасль финансовых услуг является одной из наиболее строго регулируемых, и финансовым учреждениям требуются тысячи часов рутинной работы, чтобы обеспечить соблюдение развивающихся и меняющихся стандартов. Если чего-то не хватает — компания заплатит невероятные штрафы, не говоря уже о репутационном ущербе.

Неудивительно, что спрос на новые технологии в этом секторе растет, и NLP находится в верхней части списка: 11% учреждений, работающих с финансовыми рисками, FCRM и GRC, используют обработку естественного языка в качестве основного компонента в своих приложениях.

На рынке уже есть несколько положительных примеров. Например, Rabobank, голландский банк, и его группа соответствия внедрили платформу приема и поиска, где структурированные и неструктурированные данные автоматически индексируются и становятся доступными для поиска. Результат? Сокращено время контроля соответствия с 15 до 3 минут.

Что сегодня используют ваши конкуренты: Решения НЛП и ИИ, упрощающие изучение новых нормативных документов, выделяющие необходимые обязательства, подтверждающие решения фронт-офиса в режиме реального времени, обеспечивающие соответствие требованиям BSA/AML, а также растущее число отраслевых стандарты, такие как MiFID II/MiFIR/EMIR.

Как выделить свой бизнес среди них:  Новое поколение инструментов искусственного интеллекта со встроенными функциями НЛП:

• Обзор контракта. Программе JP Morgan под названием COIN (Contract + Investigation) понадобилось несколько секунд, чтобы выполнить полномасштабную проверку документов, на которую ушло 360 000 часов рутинной работы — звучит довольно привлекательно, не правда ли?
• Регуляторные расследования. Для выявления потенциальных нарушений в сфере борьбы с отмыванием денег (AML) и борьбы с финансированием терроризма (CFT) требуются передовые инструменты анализа данных на основе ИИ (NLP/ML) для обнаружения сетей связанных транзакций и выявления ненормального поведения.

Что дальше: RegTech развивается с невероятной скоростью, без признаков замедления (специалисты даже называют 2020 год Годом RegTech). Что это значит для разработчиков?

• Работа над межведомственным и межведомственным анализом. Вскоре мы увидим, как RegTech из незначительного сегмента рынка финансовых услуг вырастет в отдельный домен. Это будет выглядеть как информационная структура с контекстуальными обязательствами, точными определениями и четкими требованиями к данным. AI и, в частности, NLP будут движущей силой этого процесса, поэтому крайне важно подготовиться к будущему RegTech уже сейчас, с его решениями для должной осмотрительности, надежными функциями управления делами, автоматической отчетностью по нормативным требованиям и возможностью для обмена информацией по нескольким каналам.

Конечно, это не полный список вариантов использования НЛП в финтех-индустрии. Трейдинг, краудфандинг, P2P-финансирование — вот лишь несколько областей, которые могут выиграть от обработки естественного языка. Компания по разработке программного обеспечения с нишевым опытом в сфере финансовых услуг, такая как Itexus, может помочь вам найти эффективные решения, независимо от того, являетесь ли вы смелым стартапом или солидным банковским учреждением.

• Разработка приложений для психического здоровья: советы по созданию действительно полезных приложений для лечения тревоги и депрессии

  26 февр. 2020 г.

• Полное руководство по созданию приложения для кредитования денег: затраты, условия и процесс разработки

  21 февраля 2020 г.

Клиническая обработка естественного языка с помощью глубокого обучения

1. «>

   Альсаффар, М., Йеллоулис, П., Одор, А., Хогарт, М.: Состояние проектов электронных медицинских карт с открытым исходным кодом: исследование антропологии программного обеспечения. ОМИР Мед. Поставить в известность. 5 (1), e6 (2017)

   CrossRef Google Scholar

2. Бенжио, Ю., Курвиль, А., Винсент, П.: Обучение представлению: обзор и новые перспективы. IEEE транс. Анальный узор. Мах. Интел. 35 (8), 1798–1828 (2013)

   CrossRef Google Scholar

3. Гудфеллоу И., Бенжио Ю., Курвиль А.: Глубокое обучение. Массачусетский технологический институт Press, Кембридж (2016). http://www.deeplearningbook.org

   МАТЕМАТИКА Google Scholar

4. Голдберг, Ю.: Учебник по моделям нейронных сетей для обработки естественного языка. Дж. Артиф. Интел. Рез. 57 , 345–420 (2016)

   CrossRef MathSciNet Google Scholar

5. Тай, К.С., Сочер, Р., Мэннинг, К.Д.: Улучшенные семантические представления из древовидных сетей долговременной кратковременной памяти. В: Материалы 53-го ежегодного собрания Ассоциации компьютерной лингвистики и 7-й Международной совместной конференции по обработке естественного языка Азиатской федерации обработки естественного языка, ACL 2015, стр. 1556–1566 (2015)

   Google Scholar

6. Стюарт, Г.В.: О ранней истории разложения по сингулярным числам. SIAM Rev. 35 (4), 551–566 (1993)

   CrossRef MathSciNet Google Scholar

7. Миколов Т., Чен К., Коррадо Г., Дин Дж.: Эффективная оценка представлений слов в векторном пространстве (2013). CoRR: абс/1301,3781

   Google Scholar

8. «>

   Миколов Т., Суцкевер И., Чен К., Коррадо Г.С., Дин Дж.: Распределенные представления слов и фраз и их композиционность. В: Материалы 27-й ежегодной конференции по системам обработки нейронной информации NIPS 2013, стр. 3111–3119 (2013)

   Google Scholar

9. Луонг, Т., Сочер, Р., Мэннинг, К.Д.: Лучшее представление слов с рекурсивными нейронными сетями для морфологии. В: Материалы семнадцатой конференции по компьютерному изучению естественного языка, CoNLL 2013, стр. 104–113 (2013)

   Google Scholar

10. Ле, К.В., Миколов, Т.: Распределенные представления предложений и документов. В: Материалы 31-й Международной конференции по машинному обучению, ICML 2014, Пекин, 21–26 июня 2014 г., стр. 1188–1196 (2014)

    . Google Scholar

11. Ким Ю.: Сверточные нейронные сети для классификации предложений. В: Материалы конференции 2014 г. по эмпирическим методам обработки естественного языка (EMNLP), Доха, стр. 1746–1751 (2014)

    Google Scholar

12. Гольдберг Ю.: Методы нейронных сетей в обработке естественного языка. Издательство Morgan & Claypool, Сан-Рафаэль (2017)

    CrossRef Google Scholar

13. Джонсон, Р., Чжан, Т.: Эффективное использование порядка слов для категоризации текста с помощью сверточных нейронных сетей. В: Материалы 11-й конференции Североамериканского отделения Ассоциации компьютерной лингвистики: технологии человеческого языка (NAACL–HLT), Денвер, Колорадо, стр. 103–112 (2015)

    Google Scholar

14. Ли, К., Кадир, А., Хасан, С.А., Датла, В.В., Пракаш, А., Лю, Дж., Фарри, О.: Обнаружение нежелательных явлений в твитах с помощью полуконтролируемых сверточных нейронных сетей . В: Материалы 26-й Международной конференции по всемирной паутине (WWW), стр. 705–714 (2017 г.)

    . Google Scholar

15. Геринг, Дж., Аули, М., Гранжье, Д., Дофин, Ю.Н.: Модель сверточного кодировщика для нейронного машинного перевода (2016). Электронные отпечатки ArXiv

    Google Scholar

16. Геринг, Дж., Аули, М., Гранжье, Д., Яратс, Д., Дофин, Ю. Н.: Сверточная последовательность для обучения последовательности (2017). Электронная печать ArXiv

    Google Scholar

17. Суцкевер И., Мартенс Дж., Хинтон Г.Э.: Генерация текста с помощью рекуррентных нейронных сетей. В: Труды ICML, стр. 1017–1024 (2011)

    Google Scholar

18. Бенжио Ю., Симард П., Фраскони П.: Изучение долгосрочных зависимостей с помощью градиентного спуска затруднено. IEEE транс. Нейронная сеть. 5 (2), 157–166 (1994)

    CrossRef Google Scholar

19. Hochreiter, S., Schmidhuber, J.: Длительная кратковременная память. Нейронные вычисления. 9 (8), 1735–1780 (1997)

    CrossRef Google Scholar

20. Чо, К., ван Мерриенбур, Б., Багданау, Д., Бенжио, Ю.: О свойствах нейронного машинного перевода: подходы кодировщик-декодер. В: Труды SSST-8, Восьмой семинар по синтаксису, семантике и структуре в статистическом переводе, стр. 103–111 (2014)

    Google Scholar

21. Сухбаатар С., Шлам А., Уэстон Дж., Фергус Р.: Сквозные сети памяти. В: Кортес, К., Лоуренс, Н.Д., Ли, Д.Д., Сугияма, М., Гарнетт, Р. (ред.) NIPS, стр. 2440–2448 (2015)

    Google Scholar

22. «>

    Уэстон, Дж., Чопра, С., Бордес, А.: Сети памяти (2014). CoRR: абс/1410,3916

    Google Scholar

23. Миллер, А., Фиш, А., Додж, Дж., Карими, А.-Х., Бордес, А., Уэстон, Дж.: Сети памяти с ключевым значением для непосредственного чтения документов (2016). CoRR: абс/1606.03126

    Google Scholar

24. Уоткинс, CJCH, Даян, П.: Q-обучение. Мах. Учиться. 8 , 279–292 (1992)

    МАТЕМАТИКА Google Scholar

25. Саттон, Р.С., Барто, А.Г.: Обучение с подкреплением: введение. MIT Press, Кембридж (1998)

    Google Scholar

26. Мних В., Кавукчуоглу К., Сильвер Д., Русу А.А., Венесс Дж., Беллемаре М.Г., Грейвс А., Ридмиллер М., Фиджеланд А.К., Островски Г. и др.: Контроль на уровне человека посредством глубокого обучения с подкреплением. Природа 518 (7540), 529–533 (2015)

    CrossRef Google Scholar

27. Бейкер С., Корхонен А., Пюйсало С.: Классификация текста по признаку рака с использованием сверточных нейронных сетей. В: BioTxtM, стр. 1–9 (2016)

    Google Scholar

28. Лин, К., Миллер, Т., Длигач, Д., Бетар, С., Савова, Г.: Представления временных выражений для извлечения временных отношений с помощью сверточных нейронных сетей. В: БиоНЛП, стр. 322–327 (2017)

    Google Scholar

29. Мохан, С., Фиорини, Н., Ким, С., Лу, З.: Глубокое обучение для поиска биомедицинской информации: изучение текстовой релевантности из журналов кликов. В: БиоНЛП, стр. 222–231 (2017)

    . Google Scholar

30. Пэн Ю., Лу З. : Глубокое обучение для извлечения белок-белковых взаимодействий из биомедицинской литературы. В: БиоНЛП, стр. 29–38 (2017)

    Google Scholar

31. Асада, М., Мива, М., Сасаки, Ю.: Извлечение взаимодействий между лекарствами с помощью CNN внимания. В: БиоНЛП, стр. 9–18 (2017)

    . Google Scholar

32. Чен, М.С., Болл, Р.Л., Ян, Л., Морадзаде, Н., Чепмен, Б.Е., Ларсон, Д.Б., Ланглотц, К., Амрейн, Т.Дж., Лунгрен, М.: Глубокое обучение для бесплатной классификации радиологии -текстовые отчеты. Радиология 286 , 845–852 (2017)

    Google Scholar

33. Сулиман, Л., Гилмор, Д., Френч, К., Кронин, Р.М., Джексон, Г.П., Рассел, М., Фаббри, Д.: Классификация сообщений портала пациента с использованием сверточных нейронных сетей. Дж. Биомед. Поставить в известность. 74 , 59–70 (2017)

    CrossRef Google Scholar

34. Крайтон, Г., Пюйсало, С., Чиу, Б., Корхонен, А.: Многозадачный подход нейронной сети к распознаванию биомедицинских именованных объектов. БМК Биоинформ. 18 (1), 368 (2017)

    CrossRef Google Scholar

35. Карими, С., Дай, X., Хассанзаде, Х., Нгуен, А.: Автоматическое диагностическое кодирование рентгенологических отчетов: сравнение методов глубокого обучения и традиционных методов классификации. В: БиоНЛП, стр. 328–332 (2017)

    . Google Scholar

36. Фельдман, Р., Нетцер, О., Перец, А., Розенфельд, Б.: Использование анализа текста на медицинских онлайн-форумах для прогнозирования изменения этикетки из-за побочных реакций на лекарства. В: Труды 21-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, Сидней, стр. 1779.–1788 (2015)

    Google Scholar

37. Лардон Дж., Абделлауи Р., Беллет Ф., Асфари Х., Сувинье Дж., Тексье Н., Жолан М.С., Бейенс М.Н., Бургун А., Буске С. .: Выявление и извлечение нежелательных реакций на лекарства в социальных сетях: предварительный обзор. Дж. Мед. Интернет Рез. 17 (7), e171 (2015)

    Перекрестная ссылка Google Scholar

38. Саркер, А., Джинн, Р.Э., Никфарджам, А., О’Коннор, К., Смит, К., Джаяраман, С., Упадхая, Т., Гонсалес, Г.: Использование данных социальных сетей для фармаконадзор: обзор. Дж. Биомед. Поставить в известность. 54 , 202–212 (2015)

    CrossRef Google Scholar

39. Ян, М., Кианг, М., Шан, В.: Фильтрация больших данных из социальных сетей — создание системы раннего предупреждения о побочных реакциях на лекарства. Дж. Биомед. Поставить в известность. 54 (К), 230–240 (2015)

    CrossRef Google Scholar

40. Саркер, А., Гонсалес, Г.: Портативная автоматическая текстовая классификация для обнаружения нежелательных реакций на лекарственные средства с помощью многокорпусного обучения. Дж. Биомед. Поставить в известность. 53 , 196–207 (2015)

    CrossRef Google Scholar

41. Лю, Х., Чен, Х.: Выявление нежелательных явлений, связанных с приемом лекарств, из социальных сетей пациентов: тематическое исследование диабета. IEEE Интел. Сист. 30 (3), 44–51 (2015)

    CrossRef Google Scholar

42. Джаганнатха, А.Н., Ю, Х.: Двунаправленная RNN для обнаружения медицинских событий в электронных медицинских картах. В: Материалы конференции 2016 г. Североамериканского отделения Ассоциации компьютерной лингвистики: технологии человеческого языка, стр. 473–482 (2016)

    Google Scholar

43. Джаганнатха, А., Ю, Х.: Структурированные модели прогнозирования для маркировки последовательностей на основе RNN в клиническом тексте. В: EMNLP, стр. 856–865 (2016)

    . Google Scholar

44. Махарана, А., Йетисген, М.: Обнаружение клинических событий с помощью гибридной нейронной архитектуры. В: БиоНЛП, стр. 351–355 (2017)

    . Google Scholar

45. Ядав, С., Экбал, А., Саха, С., Бхаттачария, П.: Архитектура глубокого обучения для деидентификации данных пациентов в медицинских записях. В: Материалы семинара по клинической обработке естественного языка (ClinicalNLP), стр. 32–41 (2016)

    . Google Scholar

46. Dernoncourt, F., Lee, J.Y., Uzuner, Ö. , Szolovits, P.: Деидентификация записей пациентов с рекуррентными нейронными сетями. Варенье. Мед. Поставить в известность. доц. 24 (3), 596–606 (2017)

    Google Scholar

47. Лю, З., Тан, Б., Ван, X., Чен, К.: Деидентификация клинических записей с помощью рекуррентной нейронной сети и условного случайного поля. Дж. Биомед. Поставить в известность. 75 , S34–S42 (2017)

    CrossRef Google Scholar

48. Salloum, W., Finley, G., Edwards, E., Miller, M., Suendermann-Oeft, D.: Глубокое обучение для восстановления пунктуации в медицинских отчетах. В: БиоНЛП, стр. 159.–164 (2017)

    Google Scholar

49. Патчиголла, Р.В.С.С., Саху, С., Ананд, А.: Идентификация триггера биомедицинского события с использованием моделей на основе двунаправленной рекуррентной нейронной сети. В: БиоНЛП, стр. 316–321 (2017)

    . Google Scholar

50. Хе, Х., Ганджам, К., Джайн, Н., Лундин, Дж., Уайт, Р., Лин, Дж.: Система извлечения информации из биомедицинской литературы с помощью глубоких нейронных сетей. В: Материалы конференции 2017 г. по эмпирическим методам обработки естественного языка, EMNLP 2017, Копенгаген, 9–11 сентября 2017 г., стр. 2691–2701 (2017)

    Google Scholar

51. Chalapathy, R., Borzeshi, E.Z., Piccardi, M.: Двунаправленный LSTM-CRF для извлечения клинической концепции. В: ClinicalNLP @ COLING 2016, стр. 7–12 (2016)

    Google Scholar

52. Унануэ, И.Дж., Борзеши, Э.З., Пиккарди, М.: Рекуррентные нейронные сети со специализированными вложениями слов для распознавания именованных объектов в домене здоровья. Дж. Биомед. Поставить в известность. 76 , 102–109 (2017)

    CrossRef Google Scholar

53. Лю, З., Ян, М., Ван, X., Чен, Q., Тан, Б., Ван, З., Сюй, Х.: Распознавание сущностей из клинических текстов с помощью рекуррентной нейронной сети. БМС Мед. Поставить в известность. Реш. Мак. 17 (2), 67 (2017)

    CrossRef Google Scholar

54. Становский Г., Грул Д., Мендес П.: Распознавание упоминаний о побочных реакциях на лекарства в социальных сетях с использованием повторяющихся моделей, основанных на знаниях. В: EACL, стр. 142–151 (2017)

    Google Scholar

55. Саху, С.К., Ананд, А.: Рекуррентные модели нейронных сетей для распознавания названий болезней с использованием инвариантных признаков домена. В: ACL (2016)

    Google Scholar

56. «>

    Эльхадад, Н., Сутария, К.: Составление лексикона технических терминов и их эквивалентов. В: Труды семинара по биоНЛП, стр. 49–56 (2007)

    . Google Scholar

57. Делегер, Л., Цвайгенбаум, П.: Извлечение простых парафраз специализированных выражений из одноязычных сопоставимых медицинских корпусов. В: Труды 2-го семинара по созданию и использованию сопоставимых корпусов: от параллельных к непараллельным корпусам, стр. 2–10 (2009)

    Google Scholar

58. Ван, К., Цао, Л., Чжоу, Б.: Извлечение медицинских синонимов с помощью концептуальных космических моделей. В: Труды IJCAI, стр. 989.–995 (2015)

    Google Scholar

59. Пракаш, А., Хасан, С.А., Ли, К., Датла, В., Кадир, А., Лю, Дж., Фарри, О.: Генерация нейронных парафраз с помощью сложенных остаточных сетей LSTM. В: Труды COLING 2016, 26-я Международная конференция по компьютерной лингвистике: технические документы, стр. 2923–2934 (2016)

    Google Scholar

60. Хасан, С.А., Лю, Б., Лю, Дж., Кадир, А., Ли, К., Датла, В.В., Пракаш, А., Фарри, О.: Генерация нейронных клинических парафраз с вниманием. В: Материалы семинара по клинической обработке естественного языка, ClinicalNLP@COLING, стр. 42–53 (2016)

    Google Scholar

61. Чой, Э., Бахадори, М.Т., Сан, Дж.: Доктор ИИ: прогнозирование клинических событий с помощью рекуррентных нейронных сетей (2015). Препринт. ArXiv:1511.05942

    Google Scholar

62. Чой, Э., Бахадори, М.Т., Шютц, А., Стюарт, В.Ф., Сан, Дж.: Удержание: интерпретируемая прогностическая модель в здравоохранении с использованием механизма внимания обратного времени (2016). CoRR: абс/1608.05745

    Google Scholar

63. Нетто, С.М.Б., де Пайва, А.К., де Алмейда Нето, А., Сильва, А.К., Лейте, В.Р.К.: Применение обучения с подкреплением для диагностики на основе медицинского изображения. Издательство INTECH с открытым доступом, Лондон (2008 г.)

    Google Scholar

64. Пулла, Р.: Подход к обучению с подкреплением для получения стратегий лечения в последовательных медицинских проблемах принятия решений. Дипломные работы и диссертации, Университет Южной Флориды (2003 г.)

    Google Scholar

65. Шортрид, С.М., Лабер, Э., Лизотт, Д.Дж., Строуп, Т.С., Пино, Дж., Мерфи, С.А.: Информирование о последовательном принятии клинических решений посредством обучения с подкреплением: эмпирическое исследование. Мах. Учиться. 84 (1–2), 109–136 (2011)

    CrossRef MathSciNet Google Scholar

66. «>

    Чжао Ю., Зенг Д., Сочински М.А., Косорок М.Р.: Стратегии обучения с подкреплением для клинических испытаний немелкоклеточного рака легкого. Биометрия 67 (4), 1422–1433 (2011)

    CrossRef MathSciNet Google Scholar

67. Нарасимхан, К., Кулкарни, Т.Д., Барзилай, Р.: Понимание языка для текстовых игр с использованием глубокого обучения с подкреплением. В: Материалы конференции 2015 г. по эмпирическим методам обработки естественного языка, EMNLP 2015, Лиссабон, 17–21 сентября 2015 г., стр. 1–11 (2015)

    Google Scholar

68. Нарасимхан, К., Яла, А., Барзилай, Р.: Улучшение извлечения информации путем получения внешних данных с помощью обучения с подкреплением (2016). Препринт. ArXiv:1603.07954

    Google Scholar

69. Пракаш, А., Чжао, С. , Хасан, С.А., Датла, В.В., Ли, К., Кадир, А., Лю, Дж., Фарри, О.: Сети с конденсированной памятью для клинических диагностических выводов. В: Материалы тридцать первой конференции AAAI по искусственному интеллекту, стр. 3274–3280 (2017)

    Google Scholar

70. Джонсон, А.Э.В., Поллард, Т.Дж., Шен, Л., Леман, Л.-В.Х., Фэн, М., Гассеми, М., Муди, Б., Соловиц, П., Чели, Л.А., Марк, Р.Г.: MIMIC-III, свободно доступная база данных интенсивной терапии. науч. Данные 3 , 160035 (2016)

    CrossRef Google Scholar

71. Линг, Ю., Хасан, С.А., Датла, В., Кадир, А., Ли, К., Лю, Дж., Фарри, О.: Диагностический вывод посредством улучшения извлечения клинических понятий с помощью глубокого обучения с подкреплением: предварительное исследование. В: Труды 2-й конференции «Машинное обучение для здравоохранения», стр. 271–285 (2017)

    Google Scholar

72. «>

    Робертс, К., Симпсон, М.С., Вурхиз, Э., Херш, В.Р.: Обзор направления поддержки клинических решений TREC 2015. В: TREC (2015)

    Google Scholar

73. Линг Ю., Хасан С.А., Датла В.В., Кадир А., Ли К., Лю Дж., Фарри О.: Обучение диагностике: ассимиляция клинических рассказов с использованием глубокого обучения с подкреплением. В: Труды восьмой Международной совместной конференции по обработке естественного языка, IJCNLP, стр. 89.5–905 (2017)

    Google Scholar

74. Робертс, К., Демнер-Фушман, Д., Вурхиз, Э., Херш, В.Р.: Обзор направления поддержки клинических решений TREC 2016. В: TREC (2016)

    Google Scholar

75. Хасан, С.А., Чжао, С., Датла, В., Лю, Дж., Ли, К., Кадир, А., Пракаш, А., Фарри, О.: ответ на клинический вопрос с использованием ключ-значение сети памяти и граф знаний. В: ТРЭК (2016)

    Google Scholar

76. Датла, В., Хасан, С.А., Кадир, А., Ли, К., Линг, Ю., Лю, Дж., Фарри, О.: Автоматизированная клиническая диагностика: роль контента в различных разделах клинический документ. В: Международный семинар IEEE-BIBM по биомедицинской и медицинской информатике (2017 г.)

    Google Scholar

77. Павлик, Э., Растоги, П., Ганиткевич, Дж., Ван Дурме, Б., Каллисон-Берч, К.: PPDB 2.0: улучшенное ранжирование парафраз, подробные отношения следования, встраивание слов и стиль классификация. В: Труды ACL-IJCNLP, стр. 425–430 (2015)

    Google Scholar

78. Линдберг Д., Хамфрис Б., Маккрей А.: Единая система медицинского языка. Методы Инф. Мед. 32 (4), 281–291 (1993)

    CrossRef Google Scholar

79. «>

    Аддуру, В., Хасан, С.А., Лю, Дж., Линг, Ю., Датла, В., Ли, К., Кадир, А., Фарри, О.: На пути к созданию набора данных и установлению базовых показателей для Генерация и упрощение нейронных клинических парафраз на уровне предложений. В: Труды 3-го Международного семинара по обнаружению знаний в медицинских данных (KDH) @ IJCAI-ECAI (2018)

    Google Scholar

80. Ионеску Б., Мюллер Х., Вильегас М., Аренас Х., Боато Г., Данг-Нгуен Д.-Т., Сид Ю.Д., Эйкхофф К., де Эррера , А.Г.С., Гуррин, К., Ислам, М.Б., Ковалев, В., Ляучук, В., Мот, Дж., Пирас, Л., Риглер, М., Швалл, И.: Обзор ImageCLEF 2017: извлечение информации из изображений. В: Experimental IR Meets Multilinguality, Multimodality, and Interaction — 8th International Conference of the CLEF Association, CLEF Proceedings, стр. 315–337 (2017)

    Google Scholar

81. Эйкхофф, К. , Швалл, И., де Эррера, А.Г.С., Мюллер, Х.: Обзор imageclefcaption 2017 — прогнозирование подписей к изображениям и обнаружение понятий для биомедицинских изображений. В: Рабочие заметки CLEF 2017 — Conference and Labs of the Evaluation Forum (2017)

    Google Scholar

82. Хасан, С.А., Линг, Ю., Лю, Дж., Шринивасан, Р., Ананд, С., Арора, Т.Р., Датла, В.В., Ли, К., Кадир, А., Суишер, К. , Фарри, О.: PRNA на imageclef 2017, задачи прогнозирования подписей и обнаружения понятий. В: Рабочие заметки CLEF 2017 — Conference and Labs of the Evaluation Forum (2017)

    Google Scholar

83. Хасан С.А., Линг Ю., Лю Дж., Шринивасан Р., Ананд С., Арора Т.Р., Датла В., Ли К., Кадир А., Суишер С. ., Фарри, О.: Генерация медицинских заголовков на основе внимания с классификацией модальностей изображений и сопоставлением клинических понятий. В: Труды 9-й Международной конференции и лабораторий Форума по оценке (CLEF) (2018)

    Google Scholar