內容簡介 　　● 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。 目錄 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