目錄
第1章 明月松間照，清泉石上流：文本預(yù)處理
1.1？ 分詞
1.1.1 分詞的重要性和基本原理
1.1.2 基于空格的分詞
1.1.3 基于標(biāo)點(diǎn)符號(hào)的分詞
1.2？ 詞干化與詞形還原
1.2.1 詞干化與詞形還原的區(qū)別
1.2.2 詞干化
1.2.3 詞形還原
1.3？ 去除停用詞
1.3.1 什么是停用詞
1.3.2 基于詞匯列表的去除
1.3.3 基于詞頻的去除
1.3.4 TF-IDF 方法去除
1.3.5 機(jī)器學(xué)習(xí)方法去除
1.4？ 數(shù)據(jù)清洗和處理
1.4.1 處理缺失值
1.4.2 異常值檢測(cè)與處理
1.4.3 處理重復(fù)數(shù)據(jù)
第2章 大音希聲，大象無形：特征提取
2.1？ 特征提取介紹
2.1.1 特征在大模型中的關(guān)鍵作用
2.1.2 特征提取與數(shù)據(jù)預(yù)處理的關(guān)系
2.2？ 特征選擇
2.2.1 特征選擇的必要性
2.2.2 特征選擇的方法
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 獨(dú)立成分分析
2.3.4 自動(dòng)編碼器
2.4？ 嵌入
2.4.1 嵌入介紹
2.4.2 使用嵌入層進(jìn)行特征提取
2.4.3 Word2Vec 模型
2.4.4 GloVe 模型
2.5？ 詞袋模型
2.5.1 實(shí)現(xiàn)詞袋模型的步驟
2.5.2 詞袋模型的限制與改進(jìn)
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 方法與詞袋模型的比較
第3章 人有悲歡離合，月有陰晴圓缺：文本分類與情感分析
3.1？ 樸素貝葉斯分類器
3.1.1 樸素貝葉斯分類器的基本概念
3.1.2 樸素貝葉斯分類器的應(yīng)用場(chǎng)景
3.2？ 支持向量機(jī)
3.2.1 SVM 介紹
3.2.2 線性 SVM 與非線性 SVM
3.3？ 隨機(jī)森林
3.3.1 隨機(jī)森林介紹
3.3.2 隨機(jī)森林的應(yīng)用場(chǎng)景
3.4？ 卷積神經(jīng)網(wǎng)絡(luò)
3.4.1 CNN 的發(fā)展背景
3.3.2 CNN 的結(jié)構(gòu)
3.3.3 文本特征提取與分類
3.5？ 循環(huán)神經(jīng)網(wǎng)絡(luò)
3.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)介紹
3.5.2 使用 TensorFlow 框架制作情感分析模型
3.6？ 遞歸神經(jīng)網(wǎng)絡(luò)
3.6.1 遞歸神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)
3.6.2 RvNN
第4章 白日依山盡，黃河入海流：語言的生成
4.1？ 基于規(guī)則的生成
4.1.1 基于規(guī)則的生成方法介紹
4.1.2 基于規(guī)則的生成方法在 NLP 中的應(yīng)用場(chǎng)景
4.2？ 基于統(tǒng)計(jì)的生成
4.2.1 基于統(tǒng)計(jì)的生成方法介紹
4.2.2 N-gram 模型
4.2.3 隱馬爾可夫模型
4.2.4 最大熵模型
4.3？ 基于神經(jīng)網(wǎng)絡(luò)的生成
4.3.1 基于神經(jīng)網(wǎng)絡(luò)的生成方法
4.3.2 生成對(duì)抗網(wǎng)絡(luò)
4.4？ 注意力機(jī)制
4.4.1 注意力機(jī)制介紹
4.4.2 注意力機(jī)制的變體
4.5？ 序列到序列模型
4.5.1 Seq2Seq 模型介紹
4.5.2 使用 Seq2Seq 模型實(shí)現(xiàn)翻譯系統(tǒng)
第5章 海內(nèi)存知己，天涯若比鄰：機(jī)器翻譯
5.1？ 統(tǒng)計(jì)機(jī)器翻譯
5.1.1 SMT 介紹
5.1.2 SMT 模型
5.1.3 SMT 的訓(xùn)練和解碼
5.2？ 神經(jīng)機(jī)器翻譯
5.2.1 NMT 的特點(diǎn)和工作流程
5.2.2 NMT 的訓(xùn)練和解碼
5.2.3 基于 NMT 的簡(jiǎn)易翻譯系統(tǒng)
第6章 會(huì)當(dāng)凌絕頂，一覽眾山�。篋eepSeek 的核心 Transformer 模型
6.1？ Transformer 模型介紹
6.1.1 Transformer 模型的基本概念
6.1.2 Transformer 模型的優(yōu)勢(shì)
6.1.3 Transformer 模型的核心組件
6.1.4 機(jī)器翻譯任務(wù)中的 Transformer 模型
6.2？ 多頭注意力機(jī)制和多頭潛在注意力
6.2.1 多頭注意力機(jī)制
6.2.2 多頭潛在注意力
6.3？ 混合專家架構(gòu)
6.3.1 MoE 架構(gòu)介紹
6.3.2 MoE 架構(gòu)的特點(diǎn)
6.3.3 MoE 架構(gòu)的應(yīng)用
6.3.4 DeepSeek 中的 MoE 架構(gòu)介紹
第7章 大漠孤煙直，長(zhǎng)河落日?qǐng)A：多模態(tài)模型的架構(gòu)和訓(xùn)練
7.1？ 多模態(tài)技術(shù)簡(jiǎn)介
7.1.1 多模態(tài)介紹
7.1.2 多模態(tài)技術(shù)的發(fā)展歷史
7.2？ DeepSeek 的多模態(tài)大模型
7.2.1 DeepSeek 多模態(tài)大模型的發(fā)展歷程
7.2.2 架構(gòu)介紹
7.2.3 多模態(tài)理解
7.2.4 視覺生成路徑
7.2.5 自回歸 Transformer 模型
7.2.6 三階段訓(xùn)練策略
7.3？ 訓(xùn)練策略
7.3.1 多任務(wù)學(xué)習(xí)
7.3.2 全量微調(diào)
7.3.3 對(duì)比學(xué)習(xí)
7.3.4 參數(shù)高效微調(diào)
7.3.5 遷移學(xué)習(xí)
7.3.6 人類反饋強(qiáng)化學(xué)習(xí)
7.3.7 動(dòng)態(tài)學(xué)習(xí)率調(diào)整
7.3.8 監(jiān)督微調(diào)
第8章 學(xué)而時(shí)習(xí)之，不亦說乎：預(yù)訓(xùn)練模型的訓(xùn)練和微調(diào)
8.1？ 預(yù)訓(xùn)練模型的訓(xùn)練和微調(diào)介紹
8.1.1 預(yù)訓(xùn)練
8.1.2 微調(diào)
8.1.3 預(yù)訓(xùn)練與微調(diào)的對(duì)比
8.2？ CLIP 模型的微調(diào)
8.2.1 實(shí)例介紹
8.2.2 創(chuàng)建文本和圖像配對(duì)數(shù)據(jù)集
8.2.3 創(chuàng)建模型
8.2.4 訓(xùn)練模型
8.2.5 模型微調(diào)
8.2.6 調(diào)試運(yùn)行
8.3？ 使用 KTO 微調(diào) DeepSeek-R1-Distill Qwen 模型
8.3.1 KTO 的概念
8.3.2 DeepSeek-R1-Distill-Qwen 模型介紹
8.3.3 具體實(shí)現(xiàn)
第9章 千帆過盡，始見真章：DeepSeek API 應(yīng)用開發(fā)實(shí)戰(zhàn)
9.1？ DeepSeek API 開發(fā)基礎(chǔ)
9.1.1 DeepSeek API 介紹
9.1.2 DeepSeek API 基本教程
9.1.3 基于 DeepSeek API 的對(duì)話應(yīng)用程序
9.2？ DeepSeek 的基本接入實(shí)戰(zhàn)
9.2.1 Chatbox 接入實(shí)戰(zhàn)
9.2.2 NextChat 接入實(shí)戰(zhàn)
9.3？ 社交媒體工具接入實(shí)戰(zhàn)
9.3.1 基于 DeepSeek 的微信聊天 機(jī)器人
9.3.2 基于 DeepSeek 的 QQ 機(jī)器人
9.4？ 將 DeepSeek 接入到 Office
9.4.1 OfficeAI 介紹
9.4.2 在 Word 中應(yīng)用 DeepSeek
9.4.3 在 Excel 中應(yīng)用 DeepSeek
9.5？ 將 DeepSeek 接入 VS Code
9.5.1 Continue 插件基礎(chǔ)
9.5.2 將 DeepSeek 接入 VS Code 316
9.5.3 調(diào)用 DeepSeek 生成代碼
9.5.4 DeepSeek 代碼生成和補(bǔ)全
第 10 章 紙上得來終覺淺，絕知此事要躬行：基于 DeepSeek 的 Web 知識(shí)庫系統(tǒng)
10.1？ 項(xiàng)目介紹
10.1.1 背景介紹
10.1.2 市場(chǎng)需求
10.1.3 主要功能
10.1.4 技術(shù)棧
10.2？ 配置文件和基礎(chǔ)工具函數(shù)
10.2.1 導(dǎo)航欄配置
10.2.2 基礎(chǔ)工具函數(shù)
10.2.3 API 交互工具函數(shù)
10.3？ 組件
10.3.1 頁面布局組件
10.3.2 聊天組件
10.4？ 調(diào)試運(yùn)行