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

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。

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要贡献。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。

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