目录
第1章 明月松间照，清泉石上流：文本预处理
1.1 分词
1.1.1 分词的重要性和基本原理
1.1.2 基于空格的分词
1.1.3 基于标点符号的分词
1.2 词干化与词形还原
1.2.1 词干化与词形还原的区别
1.2.2 词干化
1.2.3 词形还原
1.3 去除停用词
1.3.1 什么是停用词
1.3.2 基于词汇列表的去除
1.3.3 基于词频的去除
1.3.4 TF-IDF 方法去除
1.3.5 机器学习方法去除
1.4 数据清洗和处理
1.4.1 处理缺失值
1.4.2 异常值检测与处理
1.4.3 处理重复数据
第2章 大音希声，大象无形：特征提取
2.1 特征提取介绍
2.1.1 特征在大模型中的关键作用
2.1.2 特征提取与数据预处理的关系
2.2 特征选择
2.2.1 特征选择的必要性
2.2.2 特征选择的方法
2.3 特征抽取
2.3.1 特征抽取的概念
2.3.2 主成分分析
2.3.3 独立成分分析
2.3.4 自动编码器
2.4 嵌入
2.4.1 嵌入介绍
2.4.2 使用嵌入层进行特征提取
2.4.3 Word2Vec 模型
2.4.4 GloVe 模型
2.5 词袋模型
2.5.1 实现词袋模型的步骤
2.5.2 词袋模型的限制与改进
2.6 TF-IDF 值
2.6.1 什么是 TF-IDF
2.6.2 使用 TF-IDF 方法提取文本特征
2.6.3 TF-IDF 方法与词袋模型的比较
第3章 人有悲欢离合，月有阴晴圆缺：文本分类与情感分析
3.1 朴素贝叶斯分类器
3.1.1 朴素贝叶斯分类器的基本概念
3.1.2 朴素贝叶斯分类器的应用场景
3.2 支持向量机
3.2.1 SVM 介绍
3.2.2 线性 SVM 与非线性 SVM
3.3 随机森林
3.3.1 随机森林介绍
3.3.2 随机森林的应用场景
3.4 卷积神经网络
3.4.1 CNN 的发展背景
3.3.2 CNN 的结构
3.3.3 文本特征提取与分类
3.5 循环神经网络
3.5.1 循环神经网络介绍
3.5.2 使用 TensorFlow 框架制作情感分析模型
3.6 递归神经网络
3.6.1 递归神经网络的主要特点
3.6.2 RvNN
第4章 白日依山尽，黄河入海流：语言的生成
4.1 基于规则的生成
4.1.1 基于规则的生成方法介绍
4.1.2 基于规则的生成方法在 NLP 中的应用场景
4.2 基于统计的生成
4.2.1 基于统计的生成方法介绍
4.2.2 N-gram 模型
4.2.3 隐马尔可夫模型
4.2.4 最大熵模型
4.3 基于神经网络的生成
4.3.1 基于神经网络的生成方法
4.3.2 生成对抗网络
4.4 注意力机制
4.4.1 注意力机制介绍
4.4.2 注意力机制的变体
4.5 序列到序列模型
4.5.1 Seq2Seq 模型介绍
4.5.2 使用 Seq2Seq 模型实现翻译系统
第5章 海内存知己，天涯若比邻：机器翻译
5.1 统计机器翻译
5.1.1 SMT 介绍
5.1.2 SMT 模型
5.1.3 SMT 的训练和解码
5.2 神经机器翻译
5.2.1 NMT 的特点和工作流程
5.2.2 NMT 的训练和解码
5.2.3 基于 NMT 的简易翻译系统
第6章 会当凌绝顶，一览众山小：DeepSeek 的核心 Transformer 模型
6.1 Transformer 模型介绍
6.1.1 Transformer 模型的基本概念
6.1.2 Transformer 模型的优势
6.1.3 Transformer 模型的核心组件
6.1.4 机器翻译任务中的 Transformer 模型
6.2 多头注意力机制和多头潜在注意力
6.2.1 多头注意力机制
6.2.2 多头潜在注意力
6.3 混合专家架构
6.3.1 MoE 架构介绍
6.3.2 MoE 架构的特点
6.3.3 MoE 架构的应用
6.3.4 DeepSeek 中的 MoE 架构介绍
第7章 大漠孤烟直，长河落日圆：多模态模型的架构和训练
7.1 多模态技术简介
7.1.1 多模态介绍
7.1.2 多模态技术的发展历史
7.2 DeepSeek 的多模态大模型
7.2.1 DeepSeek 多模态大模型的发展历程
7.2.2 架构介绍
7.2.3 多模态理解
7.2.4 视觉生成路径
7.2.5 自回归 Transformer 模型
7.2.6 三阶段训练策略
7.3 训练策略
7.3.1 多任务学习
7.3.2 全量微调
7.3.3 对比学习
7.3.4 参数高效微调
7.3.5 迁移学习
7.3.6 人类反馈强化学习
7.3.7 动态学习率调整
7.3.8 监督微调
第8章 学而时习之，不亦说乎：预训练模型的训练和微调
8.1 预训练模型的训练和微调介绍
8.1.1 预训练
8.1.2 微调
8.1.3 预训练与微调的对比
8.2 CLIP 模型的微调
8.2.1 实例介绍
8.2.2 创建文本和图像配对数据集
8.2.3 创建模型
8.2.4 训练模型
8.2.5 模型微调
8.2.6 调试运行
8.3 使用 KTO 微调 DeepSeek-R1-Distill Qwen 模型
8.3.1 KTO 的概念
8.3.2 DeepSeek-R1-Distill-Qwen 模型介绍
8.3.3 具体实现
第9章 千帆过尽，始见真章：DeepSeek API 应用开发实战
9.1 DeepSeek API 开发基础
9.1.1 DeepSeek API 介绍
9.1.2 DeepSeek API 基本教程
9.1.3 基于 DeepSeek API 的对话应用程序
9.2 DeepSeek 的基本接入实战
9.2.1 Chatbox 接入实战
9.2.2 NextChat 接入实战
9.3 社交媒体工具接入实战
9.3.1 基于 DeepSeek 的微信聊天 机器人
9.3.2 基于 DeepSeek 的 QQ 机器人
9.4 将 DeepSeek 接入到 Office
9.4.1 OfficeAI 介绍
9.4.2 在 Word 中应用 DeepSeek
9.4.3 在 Excel 中应用 DeepSeek
9.5 将 DeepSeek 接入 VS Code
9.5.1 Continue 插件基础
9.5.2 将 DeepSeek 接入 VS Code 316
9.5.3 调用 DeepSeek 生成代码
9.5.4 DeepSeek 代码生成和补全
第10章 纸上得来终觉浅，绝知此事要躬行：基于 DeepSeek 的 Web 知识库系统
10.1 项目介绍
10.1.1 背景介绍
10.1.2 市场需求
10.1.3 主要功能
10.1.4 技术栈
10.2 配置文件和基础工具函数
10.2.1 导航栏配置
10.2.2 基础工具函数
10.2.3 API 交互工具函数
10.3 组件
10.3.1 页面布局组件
10.3.2 聊天组件
10.4 调试运行
· · · · · · (
收起)
已註銷の关注
还没人写过短评呢