在過去幾年中，自然語言處理技術的受歡迎程度呈現“爆炸式”增長。盡管Google、Facebook、OpenAI等前沿公司繼續發布著規模更大的語言模型，但許多開發團隊仍在摸索著構建與時俱進的自然語言處理應用程序。本書將幫助你快速了解自然語言處理的新技術及未來發展趨勢。通過閱讀本書，你將學習如何為組織中的實際應用程序構建、訓練和部署模型。作者使用強調現代自然語言處理*佳實踐的代碼和示例來指導你完成整個過程。本書的主要內容包括：?使用優選的自然語言處理模型（如BERT和GPT-3）來解決命名實等

●前言
第一部分 浮光掠影
第1章 自然語言處理介紹
1.1 什麼是自然語言處理
1.2 基本的自然語言處理
1.3 總結
第2章 Transformer和遷移學習
2.1 利用fast.ai庫進行訓練
2.2 利用Hugging Face繫列庫進行推理
2.3 總結
第3章 NLP任務和應用程序
3.1 預訓練語言模型
3.2 遷移學習和微調
3.3 NLP任務
3.4 自然語言數據集
3.5 NLP任務1：命名實體識別
3.6 NLP任務2：文本分類
3.7 總結
第二部分 綱舉目張
第4章 分詞
4.1 一個極簡的分詞器
4.2 Hugging Face的分詞器
4.3 搭建自己的分詞器
4.4 總結
第5章 向量嵌入：計算機如何“理解”單詞
5.1 理解文本與讀取文本
5.2 詞向量
5.3 詞向量嵌入實踐
5.4 非詞條的嵌入
5.5 總結
第6章 循環神經網絡和其他序列模型
6.1 循環神經網絡
6.2 長短期記憶網絡
6.3 門控
6.4 總結
第7章 Transformer
7.1 從頭開始構建Transformer
7.2 注意力機制
7.3 計算機視覺Transformer
7.4 總結
第8章 BERT方法論：博采眾長創新篇
8.1 ImageNet
8.2 通往NLP“ImageNet時刻”之路
8.3 預訓練的詞向量嵌入
8.4 序列模型
8.5 循環神經網絡
8.6 注意力機制
8.7 Transformer架構
8.8 NLP的“ImageNet時刻”
8.9 總結
第三部分 經世致用
第9章 工欲善其事，必先利其器
9.1 深度學習框架
9.2 可視化與實驗跟蹤
9.3 AutoML
9.4 機器學習基礎設施和計算
9.5 邊緣/終端側推理
9.6 雲推理和機器學習即服務
9.7 持續集成和持續交付
9.8 總結
第10章 可視化
10.1 我們的第一個Streamlit應用程序
10.2 總結
第11章 產品化
11.1 數據科學家、工程師和分析師
11.2 Databricks：你的統一數據分析平臺
11.3 Databricks的安裝
11.4 機器學習作業
11.5 MLflow
11.6 Databricks的替代品
11.7 總結
第12章 歸納提升
12.1 最後十課
12.2 最後的話
附錄A 大規模訓練
附錄B CUDA

本書分為三部分。第1部分聚焦於自然語言處理的高層次概述，包括自然語言處理的歷史、該領域流行的應用，以及如何使用預訓練模型來執行遷移學習和快速解決現實世界中的問題。第二部分將深入研究自然語言處理的底層細節，包括預處理文本、分詞和向量嵌入。然後探討當今自然語言處理中有效的建模方法，如Transformer、注意力機制、普通循環神經網絡、長短期記憶和門控。第三部分將討論應用自然語言處理很重要的方面——如何產品化已開發的模型，以便這些模型為組織提供看得見、摸得著的價值。我們將討論當今可用工具的前景，分享對它們的看法。

(美)安庫·A.帕特爾,(美)阿賈伊·烏皮利·阿拉薩尼帕萊 著 王書鑫 等 譯