“ 大模型LLM(Large Language Model)发展得如火如荼,对LLM跃跃欲试的你是否还觉得无从下手?想入门大模型,先学习作为大模型基础的NLP(Natrual Language Processing)。”
大模型LLM(Large Language Model)发展得如火如荼,对LLM跃跃欲试的你是否还觉得无从下手?想入门大模型,先学习作为大模型基础的NLP(Natrual Language Processing)。
如何学习NLP?GitHub 3K+收藏的从0到1 NLP学习路线图值得你收藏。
Tae-Hwan Jung的NLP整体学习路线图
这份路线图源自一个名叫Tae-Hwan Jung的韩国小伙伴,整体路线图从数学中的基础概念开始,到顶层的NLP的常用方法和著名算法,各种知识点全面覆盖。他将自己绘制的精美路线图上线到Reddit上不到一天热度就超过400。
一个名叫graykode的GitHub网友在将其上传至Github后,迄今已收到3.1K+赞同。
00
—
整体路线图
Tae-Hwan Jung的NLP整体学习路线图
NLP整体学习路线图:
-
数学基础:概率与统计(Probability and Statistics)、线性代数(Algebra)、数值计算(Numerical Computation)、算法(Algorithm)。
-
语言确认(Linguistic Acknowledegement)
-
机器学习(Machine Learning)
-
文本挖掘方法(Text Mining Method)
-
自然语言处理(Natural Language Processing)
Tae-Hwan Jung对概率与统计、机器学习、文本挖掘方法、自然语言处理其四个部分画出了详细的学习路线。
01
—
概率与统计
概率与统计学习路线分为五个重点部分:
-
基础(Basic):基础中最重点的是概率分布(Probability Distribution)
-
贝叶斯方法(Baysian)
-
采样 (Sampling):包括著名的MCMC(蒙特卡洛马尔科夫链方法)、Gibbs采样、负采样(Negative Sampling)等
-
信息理论(Infomation Theory)
-
模型(Model):判别模型(Discriminative Model)、生成模型(Generative Model)
02
—
机器学习
机器学习路线图分八个主要部分:
-
模型训练(Trainning):主要包括模型训练用到的各种方法、模型评价指标等
-
降维(Dimensional Reduction):降维其实就是特征分解(Eigen Decomposition)
-
聚类:包括常见的层次聚类(Hierarchical)、K-means等
-
非概率方法(Non-Probabilistic):如支持向量机SVM(support vector machines)
-
正则(Regularization):如常见的Early Stopping、Dropout等方法
-
逻辑回归(Logistic Regression)
-
线性回归(Linear Regression)
-
谷歌机器学习术语(Google ML Term)
03
—
文本挖掘
文本挖掘(Text Mining)是学习自然语言处理需要的的基础背景,包括六个主要部分:
-
NLP基本假设(NLP Basic Hypothesis):如向量空间模型(Vector Space Model,VSM)假设、统计语义假设(Statistical Sematic Hypothesis)、词袋模型假设(Bag of Words Hypothesis)
-
基本程序(Basic Procudure):形态和词汇(Morphological and Texical)、句法(Syntax)
-
图(Graph):排序算法(Ranking Algorithm)、相似性(Similarity)
-
文件(Document):句子距离(String Distance)、分类算法(Classification)、聚类算法(Clustering)、词向量表示(Term Vector Representation)等
-
词嵌入(Word Embedding)
-
序列标注(Sequential Labeling)
04
—
自然语言处理
前面铺垫了那么多,终于到NLP技能成型的时候了。
基于深度学习的NLP学习路线主要包括四大部分:
-
基础模型(Basic):Recurrent Model、Convolutional Model等
-
分布式表示(Distribution Representation):Word Representation、Co-occurence Matrix
-
语言模型(Language Model):如注明的Encoder-Decoder Model、Word Representation to Contextual Representation Model
-
任务练习(Task):只学不练是不行的,需要结合具体任务练习模型
NLP从0到1的学习路线图到此介绍完毕,敬请收藏!
如果觉得有用,请点个“在看”,多多转发!!!
AI大模型学习福利
作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版CSDN大礼包:《AGI大模型学习资源包》免费分享
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版CSDN大礼包:《AGI大模型学习资源包》免费分享
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版CSDN大礼包:《AGI大模型学习资源包》免费分享
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版CSDN大礼包:《AGI大模型学习资源包》免费分享
四、AI大模型商业化落地方案
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版CSDN大礼包:《AGI大模型学习资源包》免费分享
作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。