Zaawansowane techniki przetwarzania języka naturalnego. Od podstaw do modeli LLM i zastosowań biznes - Karnawałowe ceny HITÓW z odbiorem za 0 zł lub Gdynia

Uczenie maszynowe i duże modele językowe rewolucjonizują biznes i nasze codzienne życie. Potencjał tych innowacji jest trudny do oszacowania: modele LLM stały się wiodącym trendem w tworzeniu aplikacji i analizie danych. Integrowanie zaawansowanych modeli z systemami produkcyjnymi bywa jednak często wymagającym, a nawet niewdzięcznym zadaniem. Na szczęście dzięki tej książce poradzisz sobie z takimi wyzwaniami! Najpierw zapoznasz się z matematycznymi podstawami algorytmów ML i NLP. Zaznajomisz się również z ogólnymi technikami uczenia maszynowego i dowiesz się, w jakim stopniu dotyczą one dużych modeli językowych. Kolejnym zagadnieniem będzie przetwarzanie danych tekstowych, w tym metody przygotowywania tekstu do analizy, po czym przyswoisz zasady klasyfikowania tekstu. Ponadto poznasz zaawansowane aspekty teorii, projektowania i stosowania LLM, wreszcie ... przyszłe trendy w NLP. Aby zdobyć praktyczne umiejętności, będziesz ćwiczyć na przykładach rzeczywistych zagadnień biznesowych i rozwiązań NLP. W książce: podstawy matematyczne uczenia maszynowego i NLP zaawansowane techniki przetwarzania wstępnego i analizy danych tekstowych projektowanie systemów ML i NLP w Pythonie przetwarzanie tekstu z użyciem metod uczenia głębokiego modele LLM i ich implementacja w różnych aplikacjach AI trendy w NLP i potencjał tej technologii Odkryj przyszłe trendy w NLP widziane oczami ekspertów! Spis treści: Słowo wstępne O autorach O recenzentach Przedmowa Rozdział 1. Nawigowanie po krajobrazie NLP - kompleksowe wprowadzenie Dla kogo jest ta książka? Co to jest przetwarzanie języka naturalnego? Historia i ewolucja przetwarzania języka naturalnego Wstępne strategie maszynowego przetwarzania języka naturalnego Zwycięska synergia - połączenie NLP i ML Wprowadzenie do matematyki i statystyki w NLP Przykład modelu językowego - ChatGPT Podsumowanie Pytania i odpowiedzi Rozdział 2. Algebra liniowa, prawdopodobieństwo i statystyka w uczeniu maszynowym i NLP Wprowadzenie do algebry liniowej Podstawowe działania na macierzach i wektorach Definicje macierzy Wartości i wektory własne Metody numeryczne znajdowania wektorów własnych Rozkład macierzy na wartości własne Rozkład według wartości osobliwych Prawdopodobieństwo w uczeniu maszynowym Niezależność statystyczna Zmienne losowe dyskretne i ich rozkład Funkcja gęstości prawdopodobieństwa Estymacja bayesowska Podsumowanie Dalsza lektura Bibliografia Rozdział 3. Wykorzystanie potencjału uczenia maszynowego w NLP Wymagania techniczne Eksploracja danych Wizualizacja danych Oczyszczanie danych Selekcja cech Inżynieria cech Typowe modele uczenia maszynowego Regresja liniowa Regresja logistyczna Drzewa decyzyjne Las losowy Maszyny wektorów nośnych (SVM) Sieci neuronowe i transformery Niedostateczne i nadmierne dopasowanie modelu Dzielenie danych Dostrajanie hiperparametrów Modele zespołowe Bagging Wzmacnianie Spiętrzanie Lasy losowe Wzmacnianie gradientowe Dane niezrównoważone SMOTE Algorytm NearMiss Uczenie wrażliwe na koszty Wzbogacanie danych Dane skorelowane Podsumowanie Bibliografia Rozdział 4. Usprawnianie technik wstępnego przetwarzania tekstu pod kątem optymalnej wydajności NLP Wymagania techniczne Normalizacja tekstu Zamiana na małe litery Usuwanie znaków specjalnych i interpunkcyjnych Usuwanie słów stopu Sprawdzanie i poprawianie pisowni Lematyzacja Tematyzacja Rozpoznawanie nazwanych encji (NER) Oznaczanie części mowy Metody oparte na regułach Metody statystyczne Metody oparte na uczeniu głębokim Wyrażenia regularne Tokenizacja Potok wstępnego przetwarzania tekstu Kod NER i POS Podsumowanie Rozdział 5. Klasyfikowanie tekstu - wykorzystanie tradycyjnych technik uczenia maszynowego Wymagania techniczne Typy klasyfikacji tekstu Uczenie nadzorowane Uczenie nienadzorowane Uczenie półnadzorowane Klasyfikacja zdań z wykorzystaniem reprezentacji wektorowej z kodowaniem z "gorącą jedynką" Klasyfikacja tekstu metodą TF-IDF Klasyfikacja tekstu z użyciem Word2Vec Word2Vec Ewaluacja modelu Nadmierne i niedostateczne dopasowanie Dostrajanie hiperparametrów Dodatkowe zagadnienia związane z praktyczną klasyfikacją tekstu Modelowanie tematyczne - praktyczne zastosowanie nienadzorowanej klasyfikacji tekstu LDA Projekt rzeczywistego systemu ML do klasyfikacji tekstu Implementowanie rozwiązania ML Przykładowy scenariusz - projekt systemu ML do klasyfikacji NLP w notatniku Jupytera Cel biznesowy Cel techniczny Potok Ustawienia Selekcja cech Generowanie wybranego modelu Podsumowanie Rozdział 6. Nowe spojrzenie na klasyfikowanie tekstu - językowe modele uczenia głębokiego Wymagania techniczne Podstawy uczenia głębokiego Co to jest sieć neuronowa? Podstawowa struktura sieci neuronowej Terminy dotyczące sieci neuronowych Architektury sieci neuronowych Problemy z trenowaniem sieci neuronowych Modele językowe Uczenie półnadzorowane Uczenie nienadzorowane Uczenie transferowe Transformery Architektura transformerów Zastosowania transformerów Duże modele językowe Wyzwania związane z trenowaniem modeli językowych Konkretne architektury modeli językowych Problemy związane z używaniem GPT-3 Przykładowy scenariusz - projekt systemu ML/DL do klasyfikacji NLP w notatniku Jupytera Cel biznesowy Cel techniczny Potok Podsumowanie Rozdział 7. Duże modele językowe - teoria, projektowanie i implementacja Wymagania techniczne Co to są duże modele językowe i czym różnią się od zwykłych modeli językowych? Modele n-gramowe Ukryte modele Markova (HMM) Rekurencyjne sieci neuronowe (RNN) Co wyróżnia modele LLM? Powody tworzenia i używania modeli LLM Lepsze wyniki Szeroka generalizacja Nauka na nielicznych przykładach Rozumienie złożonych kontekstów Wielojęzyczność Generowanie tekstu podobnego do napisanego przez człowieka Problemy związane z tworzeniem modeli LLM Ilość danych Zasoby obliczeniowe Ryzyko uprzedzeń Stabilność modelu Interpretowalność i debugowanie Wpływ na środowisko Typy modeli LLM Modele transformerowe Przykładowe projekty nowoczesnych modeli LLM GPT-3.5 i ChatGPT Wstępny trening modelu językowego Trening modelu nagrody Dostrajanie modelu przez uczenie ze wzmacnianiem GPT-4 LLaMA PaLM Narzędzia open source do RLHF Podsumowanie Źródła Rozdział 8. Dostęp do dużych modeli językowych - zaawansowana konfiguracja i integracja z RAG Wymagania techniczne Konfigurowanie aplikacji LLM - oparte na API modele o zamkniętym kodzie źródłowym Wybór zdalnego dostawcy LLM Inżynieria podpowiedzi i inicjalizowanie GPT Eksperymentowanie z modelem GPT Konfigurowanie aplikacji LLM - lokalne modele o otwartym kodzie źródłowym Różnice między modelami o otwartym i zamkniętym kodzie źródłowym Repozytorium modeli Hugging Face Stosowanie modeli LLM z ekosystemu Hugging Face z użyciem Pythona Zaawansowane projektowanie systemów - RAG i LangChain Koncepcje projektowe LangChain Źródła danych Dane, które nie są wstępnie osadzone Łańcuchy Agenty Pamięć długoterminowa i odwoływanie się do poprzednich konwersacji Zapewnianie ciągłej istotności przez przyrostowe aktualizacje i zautomatyzowane monitorowanie Omówienie prostej konfiguracji LangChain w notatniku Jupytera Konfigurowanie potoku LangChain w Pythonie Modele LLM w chmurze AWS Microsoft Azure GCP Podsumowanie usług chmurowych Podsumowanie Rozdział 9. Eksplorowanie granic - zaawansowane zastosowania i innowacje w dziedzinie LLM Wymagania techniczne Zwiększanie skuteczności modeli LLM z użyciem RAG i LangChain - funkcje zaawansowane Potok LangChain w Pythonie - zwiększanie skuteczności modeli LLM Zaawansowane użycie łańcuchów Zadawanie modelowi LLM pytania związanego z wiedzą ogólną Nadawanie struktury danym wyjściowym - nakazywanie modelowi LLM zwrócenia wyników w określonym formacie Prowadzenie płynnej konserwacji - wstawianie elementu pamięciowego w celu użycia poprzednich interakcji jako kontekstu dla następnych podpowiedzi Automatyczne pobieranie informacji z różnych źródeł internetowych Wyszukiwanie treści w filmach na YouTubie i streszczanie ich Kompresja podpowiedzi i ograniczanie kosztów użycia API Kompresja podpowiedzi Eksperymentowanie z kompresją podpowiedzi i ocena kompromisów Wiele agentów - tworzenie zespołu współpracujących modeli LLM Potencjalne korzyści z jednoczesnej pracy wielu agentów Zespoły wielu agentów - podsumowanie Podsumowanie Rozdział 10. Na fali - przeszłe, teraźniejsze i przyszłe trendy kształtowane przez modele LLM i sztuczną inteligencję Kluczowe trendy techniczne związane z modelami LLM i AI Moc obliczeniowa - siła napędowa modeli LLM Przyszłość mocy obliczeniowej w NLP Duże zbiory danych i ich niezatarty wpływ na NLP i modele LLM Cel - trening, testy porównawcze i wiedza dziedzinowa Wartość - niezawodność, różnorodność i efektywność Wpływ - demokratyzacja, biegłość i nowe obawy Ewolucja dużych modeli językowych - cel, wartość i wpływ Cel - po co dążyć do większych i lepszych modeli LLM? Wartość - przewaga modeli LLM Wpływ - zmiana krajobrazu Trendy kulturowe w NLP i modelach LLM NLP i modele LLM w świecie biznesu Sektory biznesu Obsługa klienta - wcześni użytkownicy Zarządzanie zmianami wywołanymi przez AI Trendy behawioralne wywoływane przez AI i model LLM - aspekt społeczny Rosnące znaczenie asystentów osobistych Łatwość komunikacji i przełamywanie barier językowych Etyczne implikacje delegowanych decyzji Etyka i zagrożenia - rosnące obawy związane z implementacją AI Podsumowanie Rozdział 11. Okiem branży - opinie i prognozy ekspertów światowej klasy Prezentacja ekspertów Nitzan Mekel-Bobrov, PhD David Sontag, PhD John D. Halamka, M.D., M.S. Xavier Amatriain, PhD Melanie Garson, PhD Nasze pytania i odpowiedzi ekspertów Nitzan Mekel-Bobrov David Sontag John D. Halamka Xavier Amatriain Melanie Garson Podsumowanie