GPT 就是這麼來的 - 最新自然語言處理技術詳解

王志立、雷鵬斌、吳宇凡 編著

  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-1
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-2
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-3
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-4
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-5
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-6
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-7
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-8
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-9
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-10
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-11
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-12
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-13
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-14
  • GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-15
GPT 就是這麼來的 - 最新自然語言處理技術詳解-preview-1

買這商品的人也買了...

商品描述

  1. NLP專用Python開發環境架設
  2. 自然語言處理的發展歷程
  3. 無監督學習的原理與應用及實作
  4. Pretraing的完整實作
  5. 文字分類、機器閱讀理解、命名實體辨識
  6. ChatGPT的原理 - 文字生成
  7. 損失函式與模型瘦身

 

大型語言模型已經成為現代AI的範式,不管是ChatGPT或是llamaFalcon等,這個新興學科是人工智慧時代最熱門的話題,沒有一個有志於AI的人可以忽略這個趨勢。而大型語言模型的基礎,當然就是自然語言處理(Natural Language Processing,簡稱NLP)。自然語言處理主要工作包括了語言理解、語言生成、機器翻譯、語音識別等。目前見的應用非常多,包括了自動化客服、垃圾郵件檢測、社交媒體情感分析、醫療記錄分析、金融預測和新聞摘要等。

總結來說,自然語言處理是一個動態且充滿潛力的領域,它正在不斷改變我們與計算機和數字訊息互動的方式。隨著技術的不斷發展,我們可以期待在更多領域看到 NLP 的創新應用,同時也需要持續關注與其發展相關的倫理和社會問題。本書最重要目的就是將你帶入這個行業,如果你是程式設計師,網頁設計師,又或者是App的開發者,如果不想被人工智慧搶掉工作,加入是最好的選擇。

作者簡介

王志立

自然語言處理工程師,曾在國際與國內的學術會議上發表學術論文多篇,先後在騰訊等多家知名企業從事大數據與人工智慧演算法工作,運作與分享人工智慧相關知識,曾獲多項人工智慧比賽國家級獎項。

 

雷鵬斌

華為AI演算法工程師,主要從事chatops、知識圖譜的研究與實踐工作,對自然語言處理各項任務有深入的研究。20192021年在國內知名競賽的文本分類、命名實體辨識、機器閱讀理解、智慧問答,以及文本生成任務中摘獲大量榮譽。曾參與多項課題研究,在AAAI、《中文資訊學報》等高影響力期刊上發表多篇論文。

 

吳宇凡

騰訊演算法應用研究員,長期從事業務安全與金融量化相關演算法研究與實務工作,已在國際頂尖期刊發表多篇論文,申請專利數項。

目錄大綱

1 導論

1.1 基於深度學習的自然語言處理

1.2 本書章節脈絡

1.3 自然語言處理演算法流程

1.4 小結

 

2 Python 開發環境配置

2.1 Linux 伺服器

2.2 Python 虛擬環境

2.3 PyCharm 遠端連接伺服器

2.4 screen 任務管理

2.5 Docker 技術

2.6 小結

 

3 自然語言處理的發展處理程序

3.1 人工規則與自然語言處理

3.2 機器學習與自熱語言處理

3.3 深度學習與自然語言處理

3.4 小結

 

4 無監督學習的原理與應用

4.1 淺層無監督預訓練模型

4.2 深層無監督預訓練模型

4.3 其他預訓練模型

4.4 自然語言處理四大下游任務

4.5 小結

 

5 無監督學習進階

5.1 生成式對抗網路

5.2 元學習

5.3 小結

 

6 預訓練

6.1 賽題任務

6.2 環境架設

6.3 程式框架

6.4 資料分析實踐

6.5 小結

 

7 文字分類

7.1 資料分析

7.2 環境架設

7.3 程式框架

7.4 文字分類實踐

7.5 小結

 

8 機器閱讀理解

8.1 機器閱讀理解的定義

8.2 評測方法

8.3 研究方法

8.4 經典結構

8.5 多文件機器閱讀理解實踐

8.6 小結

 

9 命名實體辨識

9.1 NER 技術的發展現狀

9.2 命名實體辨識的定義

9.3 命名實體辨識模型

9.4 命名實體辨識實驗

9.5 小結

 

10 文字生成

10.1 文字生成的發展現狀

10.2 基於預訓練模型的文字生成模型

10.3 文字生成任務實踐

10.4 小結

 

11 損失函式與模型瘦身

11.1 損失函式

11.2 常用的損失函式

11.3 損失函式的進階

11.4 模型瘦身

11.5 小結