新書推薦：
《
我一直在想：丹尼尔·丹尼特自传
》
售價：HK$
153.9
《
投资反脆弱修炼手册
》
售價：HK$
63.8
《
三九全景脉法
》
售價：HK$
64.9
《
我们建构的世界--社会理论与国际关系中的规则与统治（东方编译所译丛）
》
售價：HK$
96.8
《
工资的真相
》
售價：HK$
85.8
《
以色列小史 小历史·大世界
》
售價：HK$
107.8
《
空间与秩序：战后日本城市转型的治理路劲研究
》
售價：HK$
85.8
《
水声学
》
售價：HK$
109.9
|
| 編輯推薦： |
（1）重视内容设计的简明性。本书在内容设计和选择上逻辑简明，注重突出技术思想发展的主线，即语言模型。读者对旁支信息感兴趣并希望深度了解的话，可以通过注释或参考文献进行进一步的深入学习。
（2）重视技术内容的前沿性。本书超过四分之三的内容均为近十年来的技术发展，此外，本书对一些早期的重要技术也进行了说明，并提供了相关参考文献，便于有需要的读者进一步学习。
（3）重视理论落地的实践性。本书所有章节后面均配备了习题，包括一些思考题和编程练习题。思考题可以帮助读者对书中内容进行深度思考或扩展，编程练习题有助于读者切实掌握关键算法。
|
| 內容簡介： |
编者从自然语言处理的根本问题出发，依据自然语言处理基础理论和技术发展逻辑，以及自然语言处理对象的粒度变化，结合传统基础知识和最新前沿进展，编成本书，构筑了更为合理的自然语言处理知识体系。
來源：香港大書城megBookStore,http://www.megbook.com.hk
本书内容包括绪论、语言单元获取、词的表示、N-gram语言模型、神经网络语言模型、预训练语言模型、大语言模型、大语言模型评测、大语言模型上下文长度拓展、大语言模型知识增强、大语言模型智能体、融合视觉信息的自然语言处理等。
本书可作为高校理工科专业自然语言处理相关课程的教材，也可供相关领域的科技人员学习使用，还可作为工程师进一步学习自然语言处理相关知识的参考书。
|
| 關於作者： |
袁彩霞：
北京邮电大学人工智能学院副教授，博士生导师，长期从事自然语言处理、人机对话等方面的研究与教学工作；主持国家级科研项目三项、省部级科研项目四项、横向企事业合作项目十余项；在ACL、EMNLP、NAACL、AAAI、ACM MM等人工智能领域顶级会议上发表论文七十余篇，被授权发明专利二十余项，入选“北京市科技新星计划”。
王小捷：
北京邮电大学人工智能学院教授，博士生导师，重点领域教学资源及新型教材建设项目专家工作组自然语言处理领域首席专家，中国人工智能学会会士，长期从事自然语言处理、多模态认知计算等方面的研究与教学工作；主持国家重点研发计划、国家自然科学基金等国家级科研项目十余项，科研成果曾获中国发明协会发明创业奖成果奖一等奖、中国电力科学技术进步奖一等奖、航空科学基金一等奖等奖励；已在人工智能领域国际顶级会议和期刊上发表学术论文百余篇。
|
| 目錄：
|
【章名目录】
第 1章 绪论
第 2章 语言单元获取
第3章 词的表示
第4章 N-gram语言模型
第5章 神经网络语言模型
第6章 预训练语言模型
第7章 大语言模型
第8章 大语言模型评测
第9章 大语言模型上下文长度拓展
第 10章 大语言模型知识增强
第 11章 大语言模型智能体
第 12章 融合视觉信息的自然语言处理
【详细目录】
第 1章 绪论
1.1 什么是自然语言处理 002
1.2 自然语言处理的知识体系 004
1.3 自然语言处理的发展 006
1.4 本书安排 010
1.5 本章习题 012
第 2章 语言单元获取
2.1 语料 014
2.2 汉语切分 017
2.2.1 汉语切分任务分析 018
2.2.2 汉语切分技术 020
2.3 子词切分 023
2.4 本章小结 027
2.5 本章习题 027
第3章 词的表示
3.1 基于形符的词表示 029
3.2 基于共现的词表示 030
3.2.1 共现矩阵 030
3.2.2 GloVe模型 032
3.3 基于预测的词表示 034
3.3.1 C&W模型 034
3.3.2 CBOW模型 036
3.3.3 Skip-gram模型 037
3.3.4 词嵌入模型优化 038
3.4 词向量的评价与应用 040
3.4.1 词向量的评价 040
3.4.2 词向量的应用 042
3.5 拓展阅读 042
3.6 本章小结 043
3.7 本章习题 043
第4章 N-gram语言模型
4.1 N元语法 046
4.2 参数估计与平滑 048
4.2.1 n的影响 048
4.2.2 条件概率的估计 049
4.2.3 回退技术 050
4.2.4 平滑技术 052
4.3 语言模型的评估 055
4.3.1 N-gram模型存在的问题 057
4.3.2 基于词聚类的语言模型 057
4.4 本章小结 058
4.5 本章习题 058
第5章 神经网络语言模型
5.1 前馈神经网络语言模型 060
5.1.1 模型结构 060
5.1.2 模型训练 062
5.1.3 特别的考虑 063
5.2 循环神经网络语言模型 064
5.2.1 网络结构 064
5.2.2 模型训练 065
5.2.3 特别的考虑 066
5.3 语言序列编解码 068
5.3.1 序列到序列结构 068
5.3.2 引入注意力机制 069
5.3.3 其他的结构设计 071
5.4 语言模型与动态词表示 072
5.5 本章小结 073
5.6 本章习题 074
第6章 预训练语言模型
6.1 注意力机制 076
6.1.1 简单注意力 076
6.1.2 多头注意力 077
6.1.3 一般注意力模型 078
6.1.4 多头自注意力模型 079
6.2 Transformer模型 080
6.2.1 输入表示 081
6.2.2 编码器 081
6.2.3 解码器 083
6.2.4 模型输出及训练 085
6.3 预训练语言模型 086
6.3.1 GPT模型 086
6.3.2 BERT模型 087
6.3.3 T5模型 090
6.4 预训练-微调范式 090
6.5 拓展阅读 091
6.5.1 ALBERT模型 091
6.5.2 RoBERTa模型 092
6.5.3 GLM模型 093
6.6 本章小结 093
6.7 本章习题 093
第7章 大语言模型
7.1 预训练 095
7.1.1 模型结构 095
7.1.2 预训练目标 097
7.1.3 预训练数据 099
7.1.4 预训练策略 103
7.2 指令微调 105
7.2.1 指令微调的概念 105
7.2.2 指令数据集 105
7.2.3 指令微调总结 106
7.3 人类对齐 107
7.3.1 微调预训练 108
7.3.2 训练奖励模型 108
7.3.3 PPO优化策略 109
7.4 提示工程 110
7.4.1 提示词的组成 110
7.4.2 提示工程方法 110
7.4.3 参数高效微调 113
7.5 拓展阅读 115
7.5.1 GPT系列大语言模型 115
7.5.2 LLaMA系列大语言模型 116
7.6 本章小结 118
7.7 本章习题 118
第8章 大语言模型评测
8.1 评测的能力 120
8.2 评测任务 121
8.2.1 面向综合学科能力评测的任务 121
8.2.2 面向理解能力评测的任务 122
8.2.3 面向推理能力评测的任务 122
8.2.4 面向安全能力评测的任务 123
8.2.5 面向生成能力评测的任务 124
8.3 评测数据集 124
8.3.1 综合学科能力 124
8.3.2 理解能力 125
8.3.3 推理能力 125
8.3.4 安全能力 126
8.3.5 生成能力 127
8.3.6 其他一些数据集 128
8.4 评测指标和方法 128
8.5 本章小结 131
8.6 本章习题 131
第9章 大语言模型上下文长度拓展
9.1 基于注意力的上下文长度拓展 方法 134
9.1.1 段级循环注意力 134
9.1.2 窗口注意力 138
9.1.3 双块注意力 140
9.2 基于位置编码的上下文长度拓展方法 144
9.2.1 旋转式位置编码 144
9.2.2 位置插值 148
9.2.3 神经正切核感知插值 151
9.2.4 YaRN 153
9.3 本章小结 154
9.4 本章习题 155
第 10章 大语言模型知识增强
10.1 非结构化知识增强方法 157
10.1.1 获取非结构化知识的检索技术 158
10.1.2 利用非结构化知识的生成方法 159
10.2 结构化知识增强方法 160
10.2.1 数据库 160
10.2.2 表格 161
10.2.3 知识图谱 162
10.3 评估 164
10.3.1 评估任务 164
10.3.2 数据集 165
10.3.3 评价指标和工具 166
10.4 本章小结 168
10.5 本章习题 168
第 11章 大语言模型智能体
11.1 大语言模型单智能体 170
11.1.1 智能体的感知 170
11.1.2 智能体的规划 173
11.1.3 智能体的记忆 175
11.1.4 智能体的动作 177
11.1.5 智能体应用 178
11.2 大语言模型多智能体 179
11.2.1 大语言模型多智能体的应用 180
11.2.2 大语言模型多智能体的通信 186
11.2.3 大语言模型多智能体的人设 188
11.2.4 大语言模型多智能体的能力增强 188
11.3 本章小结 190
11.4 本章习题 190
第 12章 融合视觉信息的自然语言处理
12.1 视觉语言多模态任务 192
12.2 多模态学习基础技术 193
12.2.1 表示技术 193
12.2.2 对齐技术 194
12.2.3 融合技术 195
12.2.4 转换技术 195
12.3 视觉语言多模态预训练模型 195
12.3.1 总体框架 195
12.3.2 预训练数据集 196
12.3.3 模型结构 197
12.3.4 预训练任务 200
12.3.5 下游任务 202
12.4 多模态大语言模型 203
12.4.1 动机 203
12.4.2 总体框架 204
12.4.3 训练数据集 204
12.4.4 模型结构 205
12.4.5 训练任务 207
12.4.6 下游任务 207
12.5 本章小结 208
12.6 本章习题 208
参考文献 209
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
