婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柛娑橈攻閸欏繘鏌i幋锝嗩棄闁哄绶氶弻鐔兼⒒鐎靛壊妲紒鎯у⒔缁垳鎹㈠☉銏犵闁绘垵妫涢崝顖氣攽閻愭潙鐏﹂柣鐕傜畵瀹曟洟鎮㈤崗鑲╁帾婵犵數鍋涢悘婵嬪礉濮樿埖鐓熼幖鎼枛瀵喗鎱ㄦ繝鍐┿仢鐎规洘顨婇幊鏍煘閸喕娌梻鍌欑閹碱偊骞婅箛鏇炲灊鐎光偓閸曨剙浠奸梺缁樺灱濡嫰鎷戦悢鍏肩厪濠㈣埖绋撻悾閬嶆煃瑜滈崜娑㈠极婵犳艾钃熼柕濞垮劗閺€浠嬫煕閳╁啩绶遍柍褜鍓氶〃濠囧蓟閿涘嫧鍋撻敐搴′簽闁靛棙甯炵槐鎺撴綇閵娿儲璇為梺绯曟杹閸嬫挸顪冮妶鍡楃瑨閻庢凹鍓涙竟鏇㈠礂閸忕厧寮垮┑鈽嗗灠閻忔繃绂嶈ぐ鎺撶厱闁绘劕鐏氶弳顒勬煛瀹€瀣М闁诡喒鏅犻幃婊兾熺化鏇炰壕闁告劦鍠楅崑锝夋煃瑜滈崜鐔煎极閸愵喖鐒垫い鎺嗗亾鐎规挸瀚板娲川婵犲嫧妲堥柡瀣典簻闇夋繝濠傚閻帡鏌$仦璇插鐎殿喗娼欒灃闁逞屽墯缁傚秵銈i崘鈺佲偓鍨箾閸繄浠㈤柡瀣☉椤儻顦查梺甯秮閻涱噣骞嬮敃鈧~鍛存煟濮楀棗浜濋柡鍌楀亾闂備浇顕ч崙鐣岀礊閸℃ḿ顩查悹鐑樏紓姘攽閻樺弶澶勯柍閿嬪灩缁辨挻鎷呴崗澶嬶紙濡炪倕绻愮€氱兘宕甸弴銏″仯闁惧繗顫夌壕顏堟煙閻戞﹩娈旂紒鐘崇洴閺岋絽螖閳ь剟鎮ч崘顔肩婵炲樊浜濋埛鎺楁煕鐏炵偓鐨戝褎绋撶槐鎺斺偓锝庡亜濞搭喗顨ラ悙瀵稿⒌妤犵偛娲、姗€鎮╁▓鍨櫗闂佽娴烽幊鎾寸珶婵犲洤绐楅柡宥庡幘瀹撲線鏌″搴″箺闁绘挾鍠栭弻銊モ攽閸℃ê娅e┑陇灏欑划顖炲Φ閸曨垼鏁冮柨婵嗘川閻eジ姊洪崷顓熷殌閻庢矮鍗抽獮鏍亹閹烘挸浠梺鍝勵槼濞夋洟顢欓崶顒佲拻闁稿本鑹鹃埀顒勵棑濞嗐垹顫濈捄铏瑰姦濡炪倖甯掗崐鍛婄濠婂牊鐓犳繛鑼额嚙閻忥繝鏌¢崨鏉跨厫閻庝絻鍋愰埀顒佺⊕宀e潡宕㈤悙顑跨箚闁靛牆绻掗悾铏箾婢跺绀堥柤娲憾瀹曠ǹ螖娴e搫甯鹃梻浣规偠閸庮垶宕濈仦鐐弿鐎广儱妫▓浠嬫煟閹邦厽缍戞繛鎼枟椤ㄣ儵鎮欏顔煎壎闂佽鍠楃划鎾崇暦閸楃儐娼ㄩ柛鈩冿公缁辨瑩姊婚崒姘偓鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕濡ょ姷鍋為悧鐘汇€侀弴姘辩Т闂佹悶鍎洪崜锕傚极瀹ュ鐓熼柟閭﹀幗缂嶆垿鏌嶈閸撴繈宕洪弽顐e床婵犻潧顑嗛ˉ鍫熺箾閹寸偠澹樻い锝呮惈椤啴濡堕崘銊ュ閻庡厜鍋撻柟闂寸閽冪喐绻涢幋鏃€鍣伴柍褜鍓ㄧ粻鎾荤嵁鐎n亖鏀介柛銉㈡櫃缁喖鈹戦悩娈挎毌闁告挻绻嗛妵鎰板礃椤旇棄浜遍梺瑙勫礃椤曆囨嫅閻斿吋鐓ラ柣鏂挎惈瀛濈紓浣插亾闁告劦鍠楅悡鍐煕濠靛棗顏╅柍褜鍓氶幃鍌氼嚕閸愬弬鏃堝川椤旇瀚煎┑鐐存綑閸氬鎮疯缁棃顢楅埀顒勬箒濠电姴锕ゆ鍛婃櫠閻楀牅绻嗛柛娆忣槸婵秵顨ラ悙鏉戠瑨閾绘牠鏌嶈閸撴岸宕曢锔界厽闁绘柨鎽滈惌濠囨⒑鐢喚鍒版い鏇秮楠炲酣鎸婃径灞藉箰闂備礁鎲¢崝锔界閻愮儤鏅繝濠傜墛閻撴稑顭跨捄鐚村姛濠⒀勫灴閺屾盯寮捄銊愌囨寠閻斿吋鐓曟い鎰Т閸旀粓鏌i幘瀵糕槈闂囧鏌ㄥ┑鍡欏⒈婵炲吋鍔楅埀顒冾潐濞叉牠鎯岄崒鐐茶摕闁斥晛鍟刊鎾偡濞嗗繐顏╃痪鐐▕濮婄儤娼幍顔煎闂佸湱鎳撳ú顓烆嚕椤愶箑绠荤紓浣股戝▍銏ゆ⒑鐠恒劌娅愰柟鍑ゆ嫹 [闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧湱鈧懓瀚崳纾嬨亹閹烘垹鍊炲銈嗗笂缁€渚€宕滈鐑嗘富闁靛牆妫楁慨褏绱掗悩鍐茬伌闁绘侗鍣f慨鈧柕鍫濇閸樻捇鏌℃径灞戒沪濠㈢懓妫濆畷婵嗩吋閸℃劒绨婚梺鍝勫€搁悘婵嬵敂椤愩倗纾奸弶鍫涘妽瀹曞瞼鈧娲樼敮鎺楋綖濠靛鏁勯柦妯侯槷婢规洟姊洪崨濠勭細闁稿孩濞婇幆灞解枎閹惧鍘遍梺鍝勬储閸斿矂鎮橀悩鐢电<闁绘瑢鍋撻柛銊ョ埣瀵濡搁埡鍌氫簽闂佺ǹ鏈粙鎴︻敂閿燂拷 | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌i幋锝呅撻柛銈呭閺屻倝宕妷锔芥瘎婵炲濮靛銊ф閹捐纾兼繛鍡樺笒閸橈紕绱撴笟鍥ф珮闁搞劏娉涢悾宄扳攽閸狀喗妫冨畷姗€濡搁妷褌鍠婇梻鍌欑閹碱偊宕锔藉亱濠电姴娲ょ壕鐟扳攽閻樺磭顣查柣鎾卞灪娣囧﹪顢涘▎鎺濆妳濠碘€冲级閹倿寮婚敐鍡樺劅妞ゆ梻鍘х猾宥呪攽椤旂》榫氭繛鍜冪悼閸掓帒鈻庨幘宕囶唶闁瑰吋鐣崹铏光偓姘▕濮婄粯鎷呴搹骞库偓濠囨煛閸涱喚娲寸€规洦鍨跺鍫曞箣椤撶偞顓块梻浣哥秺濡法绮堟笟鈧畷姗€鍩€椤掆偓椤啴濡堕崱妯烘殫闂佸摜濮甸幑鍥х暦閵忋値鏁傞柛娑卞灣閻﹀牓姊哄Ч鍥х伈婵炰匠鍕浄婵犲﹤鐗婇悡鐔肩叓閸ャ劍鈷掔紒鐘靛仧閳ь剝顫夊ú妯兼崲閸岀儑缍栨繝闈涱儐閸ゅ鏌i姀銈嗘锭妤犵偞鍔欏缁樻媴閸涢潧缍婂鐢割敆閸曗斁鍋撻崘顔煎窛妞ゆ梻铏庡ú鎼佹⒑鐠恒劌娅愰柟鍑ゆ嫹]

    • 自然语言处理(基于深度学习的理论和实践微课视频版)/跟我一起学人工智能
      • 作者:编者:杨华|责编:赵佳霓
      • 出版社:清华大学
      • ISBN:9787302671930
      • 出版日期:2024/09/01
      • 页数:264
    • 售价:23.6
  • 内容大纲

        自然语言处理是人工智能时代最为重要的技术之一,其应用广泛,涵盖大数据搜索、推荐系统、语言翻译、智慧医疗等领域。在过去的十年里,深度学习方法在自然语言处理任务中取得了巨大成功。ChatGPT和文心一言等一系列大型语言模型的成功应用充分展示了基于深度学习的自然语言处理的潜力。本书以理论基础为核心,通过丰富的实例,系统地引导读者学习基于深度学习的自然语言处理知识与技术。
        本书包括基础篇(第1~6章)和应用篇(第7~11章)两篇。第1~4章介绍自然语言处理的基础知识,Python编程基础及相关的自然语言处理库;第5章和第6章探讨深度学习的相关知识和技术;第7~11章结合具体的自然语言处理任务,阐述深度学习技术在这些任务中的研究和应用。本书各章均配有相应的PPT课件资源,并提供了常用术语的中英文对照表,配有多个微视频,有助于读者高效地学习相关知识。本书可作为高等院校和培训机构相关专业的教材及教学参考书,也可作为对该领域感兴趣的读者的入门指南。
  • 作者介绍

        杨华,博士,专注于人工智能研究,专业领域涵盖自然语言处理和智能检索等方面。博士后研究期间积累了丰富的理论和实践经验。曾在多个国际项目中担任研发实施负责人,为项目的理论研究与应用实现做出了重大贡献。多次率队参加国际学术和测评会议,取得了优异成绩,积累了丰富的比赛经验和自然语言处理相关任务的实战经验。目前主要致力于人工智能领域的科研和教学工作,担任硕士生导师,讲授本科生和研究生课程,包括“自然语言处理”和“数据科学与工程”等。
  • 目录

    基础篇
      第1章  从ChatGPT谈起
        1.1  ChatGPT概述
          1.1.1  认识ChatGPT
          1.1.2  ChatGPT的主要功能
          1.1.3  其他大语言模型
        1.2  ChatGPT和自然语言处理
          1.2.1  ChatGPT用到的自然语言处理技术
          1.2.2  预训练模型
          1.2.3  ChatGPT技术架构浅谈
          1.2.4  ChatGPT在自然语言处理中的优势和创新之处
          1.2.5  ChatGPT与其他自然语言处理技术的结合与拓展
        1.3  ChatGPT的应用领域
        1.4  ChatGPT的重要意义
        1.5  ChatGPT发展展望
        1.6  ChatGPT的伦理问题
        1.7  本章小结
      第2章  自然语言处理基础
        2.1  自然语言概述
        2.2  自然语言处理的发展历程
        2.3  自然语言处理与人工智能
        2.4  自然语言处理相关研究内容
          2.4.1  词法分析
          2.4.2  句法分析
          2.4.3  语义分析
          2.4.4  信息抽取
        2.5  自然语言处理相关应用
          2.5.1  文本检索
          2.5.2  问答系统
          2.5.3  机器翻译
          2.5.4  推荐系统
          2.5.5  其他应用
        2.6  本章小结
      第3章  Python编程语言基础
        3.1  Python集成开发环境
          3.1.1  Anaconda的下载与安装
          3.1.2  Spyder的使用
          3.1.3  Jupyter Notebook的使用
        3.2  Python程序设计
          3.2.1  变量与数据类型
          3.2.2  运算和函数
        3.3  本章小结
      第4章  自然语言处理相关工具库
        4.1  Scikit-learn
        4.2  NumPy
        4.3  Pandas
        4.4  NLTK
        4.5  Matplotlib
          4.5.1  Matplotlib的主要对象
          4.5.2  图形绘制流程

        4.6  TensorFlow
        4.7  PyTorch
        4.8  飞桨
        4.9  本章小结
      第5章  深度学习基础
        5.1  感知机
        5.2  简单神经网络
          5.2.1  简单神经网络框梨
          5.2.2  激活函数
          5.2.3  损失函数
          5.2.4  梯度法
          5.2.5  神经网络构建线性回归模型
          5.2.6  神经网络构建逻辑回归模型
        5.3  三层神经网络
        5.4  深度学习与自然语言处理
        5.5  本章小结
      第6章  卷积神经网络
        6.1  卷积神经网络概念
        6.2  卷积神经网络模型结构
        6.3  卷积层
        6.4  池化层
        6.5  代表性卷积神经网络
          6.5.1  LeNet
          6.5.2  AlexNet
          6.5.3  VGGNet
          6.5.4  GoogLeNet
          6.5.5  ResNet
        6.6  本章小结
    应用篇
      第7章  文本的局部式表示
        7.1  向量空间模型
        7.2  One-Hot Encoding
          7.2.1  One-Hot Encoding简介
          7.2.2  One-Hot Encoding示例
          7.2.3  One-Hot Encoding的Python实现
          7.2.4  One-Hot Encoding的特点
        7.3  BoW模型
          7.3.1  BoW模型简介
          7.3.2  基本BoW模型
          7.3.3  基本BoW模型的Python实现
          7.3.4  基本BoW模型的特点
        7.4  TF-IDF模型
          7.4.1  TF-IDF模型简介
          7.4.2  TF-IDF的计算
          7.4.3  TF-IDF模型的Python实现
          7.4.4  TF-IDF模型的特点
          7.4.5  TF-IDF模型的应用
        7.5  N-Gram模型
          7.5.1  N-Gram模型简介
          7.5.2  N-Gram模型的Python实现

          7.5.3  N-Gram模型的应用
          7.5.4  N-Gram模型的特点
        7.6  本章小结
      第8章  深度学习和词嵌入模型
        8.1  静态词嵌入模型
          8.1.1  Word2 Vec模型
          8.1.2  GloVe模型
          8.1.3  FastText模型
        8.2  动态词嵌入模型
          8.2.1  ELMO模型
          8.2.2  OpenAI-GPT模型
          8.2.3  BERT模型
        8.3  深度学习中的词嵌入
          8.3.1  RNN与词嵌入
          8.3.2  CNN与词嵌入
          8.3.3  Transformer与词嵌入
          8.3.4  预训练大模型的词嵌入
        8.4  词嵌入的评估
          8.4.1  外在评估
          8.4.2  内在评估
        8.5  词嵌入的应用
        8.6  未来发展和趋势
        8.7  本章小结
      第9章  基于深度学习的文本语义计算
        9.1  相似度任务场景
        9.2  文本蕴含
        9.3  文本重复
        9.4  文本冲突
        9.5  文本矛盾
        9.6  距离函数
          9.6.1  欧氏距离
          9.6.2  余弦距离
          9.6.3  马氏距离
          9.6.4  曼哈顿距离
          9.6.5  切比雪夫距离
        9.7  基于深度学习的相似度模型
          9.7.1  Siamese Networks
          9.7.2  Triplet Networks
          9.7.3  文本嵌入
        9.8  相似度问题实例
          9.8.1  文本相似度
          9.8.2  图像相似度
          9.8.3  音频相似度
        9.9  本章小结
      第10章  基于深度学习的文本分类
        10.1  文本分类概述
          10.1.1  文本分类任务背景
        10.1  ,2文本分类理论思想
          10.1.3  文本数据预处理
        10.1  ,4文本特征处理

          10.1.5  文本分类的形式化定义
          10.1.6  文本分类的评测与评价
        10.2  神经网络模型的文本分类
          10.2.1  CNN的文本分类
          10.2.2  RNN的文本分类
          10.2.3  LSTM的文本分类
        10.3  Transformer的文本分类
          10.3.1  人类的视觉注意力
          10.3.2  Attention的本质思想
          10.3.3  Attention的工作原理和应用
          10.3.4  Transformer的文本分类
        10.4  预训练模型的文本分类
          10.4.1  GPT模型
          10.4.2  BERT模型
        10.5  本章小结
      第11章  基于深度学习的文本检索
        11.1  文本检索相关概念
        11.2  文本检索模型
          11.2.1  经典检索模型
          11.2.2  文本的排序
        11.3  文本检索的评估
          11.3.1  精确度
          11.3.2  召回率
          11.3.3  平均准确率
          11.3.4  平均倒数排名
          11.3.5  归一化折损累计增益
        11.4  查询扩展技术
        11.5  排序学习
          11.5.1  排序学习技术概述
          11.5.2  排序学习模型
        11.6  基于深度学习的文本检索
          11.6.1  神经检索模型的分类
          11.6.2  其他分类方式
        11.7  ChatGPT引领的下一代文本检索展望
        11.8  本章小结
    附录A  中英文对照表
    参考文献