基於深度學習和模型驅動的自然語言處理

第1章 人工智能與自然語言處理基礎
1.1 人工智能
1.1.1 人工智能的發展歷程
1.1.2 人工智能的研究領域
1.1.3 人工智能對人們生活的影響
1.2 機器學習和深度學習
1.2.1 機器學習
1.2.2 深度學習
1.2.3 機器學習和深度學習的區別
1.3 自然語言處理
1.3.1 自然語言與人工語言
1.3.2 自然語言處理的定義與範疇
1.4 自然語言處理的應用領域
1.5 自然語言處理的挑戰與機遇
1.5.1 挑戰
1.5.2 機遇
第2章 特征提取基礎與實踐
2.1 特征提取基礎
2.1.1 特征在大模型中的關鍵作用
2.1.2 特征提取與數據預處理的互補
2.2 常見的特征類型
2.2.1 數值特征和類別特征
2.2.2 高維數據的挑戰
2.3 特征選擇的好處和方法
2.3.1 使用特征選擇的必要性
2.3.2 特征選擇的方法和實踐
2.4 特征抽取的概念和方法
2.4.1 特征抽取的概念
2.4.2 主成分分析方法和實踐
2.4.3 獨立成分分析方法和實踐
2.4.4 自動編碼器方法和實踐
2.5 嵌入：改善模型的性能
2.5.1 嵌入的應用場景
2.5.2 基於PyTorch實現特征提取
2.5.3 基於TensorFlow實現特征提取
2.5.4 詞嵌入深度學習模型Word2Vec
2.5.5 詞嵌入向量模型GloVe
2.6 文本特征提取方法：詞袋模型
2.6.1 實現詞袋模型實踐演練
2.6.2 詞袋模型的限制與改進
2.7 文本特征提取方法：TF-IDF
2.7.1 TF-IDF的概念和計算方式
2.7.2 TF-IDF文本特征提取演練
2.7.3 TF-IDF與詞袋模型的區別
第3章 文本分類與情感分析
3.1 樸素貝葉斯分類器技術
3.1.1 樸素貝葉斯分類器的原理
3.1.2 樸素貝葉斯分類器的應用演練
3.2 支持向量機技術
3.2.1 支持向量機的原理和應用
3.2.2 線性SVM與非線性SVM的應用演練
……
第4章 語義分析與理解算法
第5章 機器翻譯算法基礎與實踐
第6章 命名實體識別
第7章 大模型Transformer
第8章 大模型BERT
第9章 綜合實戰：基於大模型的情感分析系統
本書循序漸進、深入講 解了使用Python語言實現自 然語言處理（NLP）的核心 知識，內容涵蓋了數據處理 、算法、大模型等。書中通 過具體實例的實現過程，演 練了各個知識點的使用方法 和流程。全書共9章，分別 講解了人工智能與自然語言 處理基礎、特征提取、文本 分類與情感分析算法、語義 分析與理解算法、機器翻譯 算法、命名實體識別、大模 型Transformer、大模型 BERT，以及綜合實戰：基 於大模型的情感分析系統。 本書適用於已經掌握 Python語言基礎語法，並且 希望進一步學習數據分析、 大模型、機器學習、深度學 習和自然語言處理技術的讀 者。此外，本書也可作為大 專院校相關專業的師生用書 ，以及培訓機構的教材。