清华大学出品的《自然语言处理：原理、方法与应用》硬核书 |含PDF

前言

人工智能自然语言处理领域的发展也经历了很多大事件，有预测蛋白质结构的alpha fold模型、有1750亿参数量的超大无比GPT3屠榜自然语言处理各个任务的榜单，也有实现增量推理与分布式推理的盘古预训练模型。总体来讲，自2018年底谷歌公司发布BERT预训练模型后，自然语言处理领域呈现井喷式发展，但是，无论当前自然语言处理模型如何发展，其仍旧基于深度神经网络，无非是网络的结构、神经元的数目及使用的硬件资源不同罢了。

本书系统阐述自然语言处理基础知识，以及自然语言处理高级模型应用等高级知识。

全书共11章：第1-5章为自然语言处理的基础知识，第6-11章则将自然语言处理知识应用于实战。书中主要内容包括预训练模型、文本分类、机器阅读理解、命名实体识别、文本生成、模型蒸馏与剪枝及损失函数等知识。

书中包含大量应用示例，不仅可以学会理论知识还可以灵活应用。书中示例基于Linux与PyTorch环境开发，读者在学习自然语言处理知识的同时还可学会PyTorch框架技术，内容完整、步骤清晰，提供了工程化的解决方案。

本书可作为有一定深度学习基础的读者的入门书，也可作为从事自然语言处理算法工作的技术人员及培训机构的参考书。

下载当前版本： 完整PDF书籍链接获取，可以扫描下方二维码免费领取👇👇👇

目录

第1章导论（13min）

• 1.1基于深度学习的自然语言处理

• 1.2本书章节脉络

• 1.3自然语言处理算法流程

• 1.4小结
  

第2章Python开发环境配置（35min）

• 2.1Linux服务器
• 2.2Python虚拟环境
• 2.3PyCharm远程连接服务器
• 2.4screen任务管理
• 2.5Docker技术
• 2.6小结
  

第3章自然语言处理的发展进程

• 3.1人工规则与自然语言处理

• 3.2机器学习与自热语言处理

• 3.3深度学习与自然语言处理

• 3.4小结
  

第4章无监督学习的原理与应用（30min）

• 4.1浅层无监督预训练模型
• 4.2深层无监督预训练模型
• 4.3其他预训练模型
• 4.4自然语言处理四大下游任务
• 4.5小结
  

第5章无监督学习进阶

• 5.1生成式对抗网络

• 5.2元学习

• 5.3小结
  

第6章预训练

• 6.1赛题任务

• 6.2环境搭建

• 6.3代码框架

• 6.4数据分析实践

• 6.5小结
  

第7章文本分类（45min）

• 7.1数据分析

• 7.2环境搭建

• 7.3代码框架

• 7.4文本分类实践

• 7.5小结
  

第8章机器阅读理解（16min）

• 8.1机器阅读理解的定义
• 8.2评测方法
• 8.3研究方法
• 8.4经典结构
• 8.5多文档机器阅读理解实践
• 8.6小结
  

第9章命名实体识别（15min）

• 9.1NER技术的发展现状

• 9.2命名实体识别的定义

• 9.3命名实体识别模型

• 9.4命名实体识别实验

• 9.5小结
  

第10章文本生成（26min）

• 10.1文本生成的发展现状
• 10.2基于预训练模型的文本生成模型
• 10.3文本生成任务实践
• 10.4小结
  

第11章损失函数与模型瘦身

• 11.1损失函数
• 11.2常用的损失函数
• 11.3损失函数的进阶
• 11.4模型瘦身
• 11.5小结
  

下载当前版本： 完整PDF书籍链接获取，可以扫描下方二维码免费领取👇👇👇