CHAPTER 1 자연어 처리 개요 살펴보기
_1.1 이 책의 대상
_1.2 자연어 처리란?
_1.3 컴퓨터 연산을 위한 자연어 처리 기본 접근 전략
_1.4 성공적인 시너지 효과 : 자연어 처리와 머신러닝의 만남
_1.5 자연어 처리의 수학 및 통계
_1.6 요약
_1.7 질문과 답변
CHAPTER 2 머신러닝과 자연어 처리를 위한 선형대수, 확률, 통계 마스터하기
_2.1 선형대수학 입문
_2.2 고윳값과 고유 벡터
_2.3 머신러닝을 위한 기본 확률
_2.4 요약
_2.5 더 알아보기
CHAPTER 3 자연어 처리에서 머신러닝 잠재력 발휘하기
_3.1 기술적 요구 사항
_3.2 데이터 탐색
_3.3 일반적인 머신러닝 모델
_3.4 모델 과소적합과 과대적합
_3.5 데이터 분할
_3.6 하이퍼파라미터 튜닝
_3.7 앙상블 모델
_3.8 불균형 데이터 다루기
_3.9 상관 계수 다루기
_3.10 요약
CHAPTER 4 자연어 처리 성능을 위한 텍스트 전처리 과정 최적화
_4.1 기술 요구 사항
_4.2 자연어 처리에서 소문자 변환
_4.3 특수 문자와 구두점 제거
_4.4 개체명 인식
_4.5 품사 태깅
_4.6 전처리 파이프라인 설명
_4.7 요약
CHAPTER 5 텍스트 분류 강화: 전통적인 머신러닝 기법 활용하기
_5.1 기술 요구 사항
_5.2 텍스트 분류의 유형
_5.3 TF-IDF를 활용한 텍스트 분류
_5.4 Word2Vec을 활용한 텍스트 분류
_5.5 토픽 모델링: 비지도 텍스트 분류의 특정 사례
_5.6 주피터 노트북을 활용한 자연어 처리 분류를 위한 머신러닝 시스템 설계 검토
_5.7 요약
CHAPTER 6 텍스트 분류의 재해석: 딥러닝 언어 모델 깊게 탐구하기
_6.1 기술 요구 사항
_6.2 딥러닝 기본 이해
_6.3 다양한 신경망 아키텍처
_6.4 신경망 훈련의 도전 과제
_6.5 언어 모델
_6.6 트랜스포머 이해하기
_6.7 대
자연어 처리의 기초부터 고급 AI 모델 설계와 비즈니스 응용까지
파이썬으로 배우는 실전 자연어 처리
이 책은 자연어 처리(NLP에 대해 깊이 있는 내용을 다루며, 머신러닝의 수학적 기초부터 시작해 대규모 언어 모델(LLM과 인공지능 응용 프로그램 같은 고급 주제까지 포괄적으로 설명합니다. 학습 과정에서 머신러닝과 자연어 처리 알고리즘을 이해하고 구현하는 데 필수적인 선형대수, 최적화, 확률, 통계 등의 기초 개념을 체계적으로 익히게 될 것입니다. 또한 머신러닝의 일반적인 기술을 배우고 이를 자연어 처리와 어떻게 접목할 수 있는지도 알아봅니다.
이제 막 대규모 언어 모델로 자연어 처리에 관심이 생긴 분들에게는 이 거대한 흐름의 주요 키워드를 이해하는 데 도움이 될 것이며, 이미 익숙한 분들에게는 전반적인 내용을 정리하고 전망을 살펴볼 기회를 제공할 것입니다.
주요 내용
머신러닝과 NLP의 수학적 기초를 익히는 법
텍스트 데이터를 전처리하고 분석하는 고급 기법
파이썬으로 머신러닝－NLP 시스템을 설계하는 방법
전통적인 머신러닝 및 딥러닝 방법으로 텍스트를 모델링하고 분류하는 법
LLM의 이론과 설계를 이해하고 이를 다양한 AI 응용 분야에 구현하는 방법
NLP의 통찰과 동향, 그리고 미래 동향과 잠재력을 탐구하는 방법
대상 독자
딥러닝, 머신러닝 연구자, NLP 실무자, ML/NLP 교육자, 텍스트 데이터를 사용하는 전문가
파이썬 초보자, 머신러닝에 관심 있는 이공계 대학생
