📘 این کتاب با دسترسی آزاد، تمام ظرفیت‌های Natural Language Processing یا NLP رو از طریق یک راهنمای جامع و عملی در اختیارت میذاره که بین نظریه‌های بنیادی و روش‌های پیشرفته امروزی پل میزنه. چه دانشجو باشی، چه پژوهشگر یا متخصص صنعت، یاد میگیری مدل‌های پیشرفته NLP رو با اعتمادبه‌نفس طراحی و دیپلوی کنی؛ از رویکردهای آماری کلاسیک گرفته تا معماری‌های عصبی مدرن و Large Language Modelها یا LLMها.

🛠️ برخلاف کتاب‌های سنتی که فقط روی مفاهیم تمرکز میکنن، این اثر یک مسیر عملی در کاربردهای واقعی NLP ارائه میده؛ از تحلیل احساسات، استخراج اطلاعات و خلاصه‌سازی گرفته تا تطبیق متن، پاسخ‌گویی به سؤال‌ها و ترجمه ماشینی.

💻 هر فصل بر کدهای قابل‌اجرا و دیتاست‌های واقعی استواره و مطالب در قالب Jupyter Notebookهایی ارائه میشن که روی Baidu AI Studio میزبانی شده‌اند. خواننده‌ها میتونن از منابع رایگان Cloud استفاده کنن، مدل‌ها رو اجرا و تست کنن و تغییر بدن تا تجربه یادگیری تعاملی و مقیاس‌پذیری داشته باشن.

🎓 این کتاب برای دانشجوهای سال‌های پایانی کارشناسی و تحصیلات تکمیلی رشته‌های علوم کامپیوتر و حوزه‌های مرتبط با AI، همین‌طور افراد تازه‌کار در NLP و دولوپرها طراحی شده.

🔍 مفاهیم مهمی مثل Transformer، BERT، GPT، ERNIE و RLHF با مطالعه‌های موردی قدم‌به‌قدم توضیح داده میشن. کتاب همین‌طور چالش‌های عملی مثل پیش‌پردازش داده، Fine-Tuning مدل و دیپلوی رو بررسی میکنه؛ موضوع‌هایی که مستقیما از سناریوهای واقعی تحقیق و توسعه گرفته شده‌اند.

🧩 خواننده فقط یاد نمیگیره چه روش‌هایی در NLP جواب میدن، بلکه درک میکنه این روش‌ها چطور و چرا کار میکنن.

🚀 ساختار تسک‌محور، کدهای کاملا تست‌شده و پیاده‌سازی‌های آماده استفاده، این کتاب رو به یک منبع دانشگاهی و فنی ارزشمند برای هر کسی تبدیل کرده که میخواد NLP کاربردی رو با تکنیک‌های مدرن Deep Learning یاد بگیره.

📖 فهرست مطالب

فصل ۱. مقدمه

فصل ۲. مبانی شبکه‌های عصبی

فصل ۳. بازنمایی توزیع‌شده

فصل ۴. مدل‌های تولید توالی

فصل ۵. مدل‌های زبانی پایه

فصل ۶. مدل‌های بزرگ ازپیش‌آموزش‌دیده

فصل ۷. قطعه‌بندی کلمه و Tokenization

فصل ۸. طبقه‌بندی احساسات متن

فصل ۹. استخراج اطلاعات

فصل ۱۰. تطبیق معنایی متن

فصل ۱۱. خلاصه‌سازی متن مبتنی بر PEGASUS

فصل ۱۲. تشخیص Intent مبتنی بر ERNIE 3.0

فصل ۱۳. درک ماشینی متن

فصل ۱۴. ترجمه ماشینی

فصل ۱۵. پیاده‌سازی پاسخ‌گویی خودکار به سؤال‌ها با مدل‌های زبانی بزرگ

👤 درباره نویسندگان

👨‍🏫 چنگ‌چینگ زونگ مدرک دکترای علوم کامپیوتر خودش رو در مارس ۱۹۹۸ از Institute of Computing Technology وابسته به Chinese Academy of Sciences دریافت کرد. او در حال حاضر استاد Institute of Automation در آکادمی علوم چین است.

🔬 حوزه‌های پژوهشی او شامل پردازش زبان طبیعی، ترجمه ماشینی و محاسبات شناختی زبان میشن. او بیش از ۲۰۰ مقاله در کنفرانس‌ها و ژورنال‌های معتبر منتشر کرده و نویسنده یا هم‌نویسنده شش کتابه؛ از جمله Text Data Mining که در سال ۲۰۲۱ توسط Springer منتشر شد.

🏅 زونگ عضو Academia Europaea، عضو ارشد IEEE و Fellow انجمن ACL است. او در سال ۲۰۲۵ ریاست Association for Computational Linguistics رو بر عهده داره و از سال ۲۰۱۹ تا ۲۰۲۱ رئیس Asian Federation of Natural Language Processing یا AFNLP بوده.

🏆 او جوایز متعددی دریافت کرده؛ از جمله جایزه دوم National Scientific and Technological Progress Award of China در سال ۲۰۱۵ که یکی از معتبرترین و تاثیرگذارترین جوایز علمی چین محسوب میشه.

👨‍🔬 یانگ ژائو مدرک دکترای خودش رو در رشته Pattern Recognition و Intelligent Systems در سال ۲۰۱۹ از Institute of Automation آکادمی علوم چین دریافت کرد.

🧠 او در حال حاضر دانشیار State Key Laboratory of Multimodal Artificial Intelligence Systems در Institute of Automation آکادمی علوم چینه. حوزه‌های پژوهشی اصلی او ترجمه ماشینی و پردازش زبان طبیعی هستن.

👨‍💼 یانجون ما مدرک دکترای علوم کامپیوتر خودش رو در سال ۲۰۰۹ از Dublin City University دریافت کرد. او در حال حاضر مدیرکل بخش Baidu AI Platform & Ecosystem است و توسعه پلتفرم Open Source یادگیری عمیق PaddlePaddle رو مدیریت میکنه.

🤖 پژوهش‌های او روی پردازش زبان طبیعی و Deep Learning تمرکز دارن و نتایج این تحقیقات به‌طور گسترده در محصولات Baidu استفاده میشن.

📚 یانجون ما بیش از ۲۰ مقاله پژوهشی منتشر کرده و در چندین کنفرانس بین‌المللی معتبر به‌عنوان Area Co-Chair فعالیت داشته. او در سال ۲۰۱۵ جایزه National Technology Advancement Award رو دریافت کرد.

This open access book unlocks the full potential of Natural Language Processing (NLP) through a comprehensive and hands-on guide that bridges foundational theory and cutting-edge practice. Whether you're a student, researcher, or industry practitioner, it enables you to build and deploy state-of-the-art NLP models―from classical statistical approaches to modern neural architectures and large language models (LLMs)―with confidence and clarity.

Unlike traditional texts that focus solely on concepts, this book offers a practical journey through real-world NLP applications, including sentiment analysis, information extraction, summarization, text matching, question answering, and machine translation. Each chapter is grounded in executable code and datasets, presented in the form of Jupyter Notebooks hosted on Baidu AI Studio. Readers can access free cloud-based resources to run, test, and modify models, making the learning experience interactive and scalable.

Designed for senior undergraduate and graduate students in computer science and AI-related fields, as well as NLP beginners and developers, the book demystifies key concepts such as Transformer, BERT, GPT, ERNIE, and RLHF through step-by-step case studies. It also addresses practical challenges―such as data preprocessing, model fine-tuning, and deployment―that reflect real-world R&D scenarios. Readers don’t just learn what works in NLP―they understand how and why it works.

With its task-driven structure, fully tested codebase, and ready-to-use implementations, this book serves as a valuable academic and technical resource for anyone seeking to master applied NLP with modern deep learning techniques.

Table of Contents

Chapter 1. Introduction

Chapter 2. Basics of Neural Network

Chapter 3. Distributed Representation

Chapter 4. Sequence Generation Models

Chapter 5. Basic Language Models

Chapter 6. Pre-Trained Large Models

Chapter 7. Word Segmentation and Tokenization

Chapter 8. Text Sentiment Classification

Chapter 9. Information Extraction

Chapter 10. Text Semantic Matching

Chapter 11. PEGASUS-Based Text Summarization

Chapter 12. ERNIE 3.0-Based Intent Recognition

Chapter 13. Machine Reading Comprehension

Chapter 14. Machine Translation

Chapter 15. Automatic Question Answers Practices with Large Language Models

About the Author

Chengqing Zong received the Ph.D. degree in computer science from Institute of Computing Techonology, Chinese Academy of Sciences, China in March 1998. He is currently a professor with Institute of Automation, Chinese Academy of Sciences, China. His research interests include natural language processing, machine translation, and cognitive language computing. He has published more than 200 papers in top-tier conferences and journals. He has authored and co-authored six books, including Text Data Mining, which was published with Springer in 2021. He is a member of the Academia Europaea, IEEE Fellow, and ACL Fellow. He is President of the Association for Computational Linguistics (ACL) in 2025 and was President of the Asian Federation of Natural Language Processing (AFNLP) from 2019 to 2021. He won many awards such as the Second Prize of the National Scientific and Technological Progress Award of China, 2015, one of the most prestigious and influential awards in China.

Yang Zhao received the Ph.D. degree in pattern recognition and intelligent system from Institute of Automation, Chinese Academy of Sciences, China in 2019. He is currently an associate professor with the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences. His research interests include machine translation and natural language processing.

Yanjun Ma received the Ph.D. degree in computer science from Dublin City University in 2009. He currently serves as the General Manager of Baidu AI Platform & Ecosystem, overseeing the development of the open-source deep learning platform PaddlePaddle. His research focuses on natural language processing and deep learning, which is widely used in Baidu's products. Dr. Yanjun Ma has authored and co-authored over 20 research publications and served as the Area Co-Chair for a number of top international conferences. In 2015, Dr. Yanjun Ma received National Technology Advancement Award.