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
- 出版商: 深智數位
- 出版日期: 2023-12-20
- 定價: $720
- 售價: 7.9 折 $569
- 語言: 繁體中文
- 頁數: 272
- ISBN: 626738313X
- ISBN-13: 9786267383131
-
相關分類:
Text-mining
- 此書翻譯自: 自然語言處理 — 原理、方法與應用
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
$480$432 -
$473大型網站架構實戰
-
$458BERT 基礎教程:Transformer 大模型實戰
-
$650$507 -
$680$530 -
$594$564 -
$480$379 -
$880$695 -
$560$442 -
$750$593 -
$480$379 -
$600$450 -
$539$512 -
$720$569 -
$680$537 -
$480$379 -
$820$648 -
$599$569 -
$880$695 -
$630$498 -
$980$774 -
$602大語言模型:基礎與前沿
-
$680$530 -
$800$632 -
$680$537
相關主題
商品描述
- NLP專用Python開發環境架設
- 自然語言處理的發展歷程
- 無監督學習的原理與應用及實作
- Pretraing的完整實作
- 文字分類、機器閱讀理解、命名實體辨識
- ChatGPT的原理 - 文字生成
- 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llama、Falcon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。2019-2021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
第1 章 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
第2 章 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
第3 章 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
第4 章 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
第5 章 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
第6 章 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
第7 章 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
第8 章 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
第9 章 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
第10 章 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
第11 章 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