| Judul | Natural Language Processing and Large Language Models : Theory, Hand-on Codes, and Case Studies / Chengqing Zong , Yang Zhao , Yanjun Ma |
| Pengarang | Zong, Chengqing Zhao, Yang Ma, Yanjun |
| EDISI | 1 |
| Penerbitan | Beijing : Tsinghua University Press, 2026 |
| Deskripsi Fisik | xiv, 394 hlm. :ill. ;21 cm. |
| ISBN | 978-981-92-0682-7 |
| Subjek | Natural language processing (Computer science) Computational linguistics |
| Abstrak | Buku Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies menyajikan pengantar komprehensif mengenai perkembangan, teori, implementasi, dan aplikasi Natural Language Processing (NLP) dengan penekanan pada pendekatan berbasis jaringan saraf dan Large Language Models (LLMs). Buku diawali dengan perkembangan historis NLP dari pendekatan berbasis aturan dan statistik menuju neural network, Transformer, model bahasa pralatih, dan LLM. Pembahasan dasar meliputi feedforward neural networks, convolutional neural networks, recurrent neural networks, LSTM, GRU, representasi terdistribusi kata, frasa dan kalimat, model sequence-to-sequence, mekanisme attention, serta arsitektur Transformer. Selanjutnya dibahas model bahasa statistik, GPT, BERT, ERNIE, masked language models, instruction tuning, dan reinforcement learning from human feedback. Keunggulan utama buku terletak pada integrasi antara teori dan praktik. Bab-bab aplikatif memberikan implementasi langkah demi langkah menggunakan Python, PaddlePaddle, dan PaddleNLP, disertai proses pengolahan data, pembangunan model, konfigurasi pelatihan, evaluasi, prediksi, serta latihan. Kasus yang dibahas mencakup segmentasi kata bahasa Mandarin, analisis sentimen, ekstraksi informasi, text semantic matching, peringkasan otomatis, pengenalan maksud dalam dialog, machine reading comprehension, penerjemahan mesin, serta sistem tanya jawab berbasis LLM. Buku juga memperkenalkan pembangunan sistem tanya jawab berbasis pengetahuan menggunakan model ERNIE, indeks basis pengetahuan, mekanisme pencarian, dan inferensi model bahasa besar. ANOTASI Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies merupakan buku pembelajaran dan praktik mengenai pemrosesan bahasa alami yang menghubungkan konsep fundamental NLP dengan perkembangan mutakhir Large Language Models (LLMs). Chengqing Zong, Yang Zhao, dan Yanjun Ma menyusun buku ini dengan orientasi praktis bagi pembaca yang telah memiliki pengetahuan dasar tentang NLP. Penulis secara eksplisit menempatkan teori sebagai fondasi yang diperlukan, tetapi memberikan perhatian lebih besar pada proses implementasi, termasuk pengolahan data, pembangunan struktur model, konfigurasi parameter, optimasi, evaluasi, dan penerapan model. Bagian awal buku memberikan gambaran perkembangan NLP dari pendekatan berbasis template dan aturan, metode statistik berbasis korpus, hingga metode jaringan saraf. Pembaca diperkenalkan pada model n-gram, Hidden Markov Model, model diskriminatif, kemudian beralih ke FNN, CNN, RNN, LSTM, GRU, word embedding, sequence-to-sequence, attention, dan Transformer. Perkembangan tersebut menjadi dasar untuk memahami model bahasa pralatih seperti GPT, BERT, dan ERNIE serta evolusi menuju LLM. Struktur buku terdiri atas 15 bab. Bab 2–6 memberikan fondasi teori dan teknologi, sedangkan bab-bab berikutnya mengarahkan pembaca pada implementasi aplikasi NLP. Topik aplikasi mencakup segmentasi kata, analisis sentimen, ekstraksi informasi, pencocokan semantik teks, peringkasan teks, pengenalan maksud, machine reading comprehension, penerjemahan mesin, dan sistem tanya jawab menggunakan LLM. Salah satu karakteristik penting buku adalah pendekatan hands-on. Kode program yang digunakan telah diuji dan disediakan dalam lingkungan Baidu AI Studio melalui Jupyter Notebook/BML CodeLab sehingga pembaca dapat mempraktikkan model tanpa harus membangun seluruh lingkungan komputasi dari awal. PaddlePaddle dan PaddleNLP digunakan sebagai platform utama pembelajaran dan eksperimen. Buku juga menyediakan dataset untuk berbagai tugas, antara lain IMDB untuk analisis sentimen, CLUENER2020 untuk named entity recognition, LCQMC untuk pencocokan semantik, LCSTS untuk peringkasan, CrossWOZ untuk pemahaman maksud dialog, DuReaderrobust untuk reading comprehension, dan IWSLT 2015 untuk penerjemahan mesin. Bab terakhir memperluas pembelajaran menuju pembangunan sistem tanya jawab berbasis LLM. Pembaca diarahkan membangun indeks basis pengetahuan, mekanisme kueri, penyimpanan dokumen, dan proses inferensi menggunakan model ERNIE. Dengan demikian, buku tidak hanya menjelaskan konsep NLP dan LLM secara teoritis, tetapi juga memperlihatkan bagaimana teknologi tersebut dikembangkan menjadi aplikasi nyata. Secara keseluruhan, buku ini sangat sesuai untuk mahasiswa ilmu komputer, kecerdasan buatan, data science, NLP, peneliti, pengembang aplikasi AI, serta praktisi yang ingin memahami hubungan antara teori NLP, deep learning, Transformer, dan LLM melalui pendekatan pembelajaran berbasis praktik. |
| Catatan | Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies merupakan buku yang menggambarkan perjalanan perkembangan Natural Language Processing (NLP) dari metode tradisional menuju era Large Language Models (LLMs). Buku ditulis oleh Chengqing Zong, Yang Zhao, dan Yanjun Ma dengan tujuan membantu pembaca memahami sekaligus mempraktikkan teknologi NLP modern. Penulis melihat adanya kesenjangan antara penguasaan teori dan kemampuan implementasi. Karena itu, buku dirancang bukan semata-mata sebagai buku teori, melainkan sebagai panduan yang menggabungkan konsep, kode, eksperimen, dan studi kasus. Bab pertama memberikan fondasi untuk memahami NLP. NLP dijelaskan sebagai disiplin yang menggunakan teknologi komputer untuk memproses teks dan bahasa, mencakup identifikasi, klasifikasi, ekstraksi, transformasi, serta generasi informasi. Perkembangan NLP ditelusuri dari pendekatan berbasis aturan pada periode awal, kemudian beralih ke metode statistik berbasis korpus, dan selanjutn |
| Bentuk Karya | Tidak ada kode yang sesuai |
| Target Pembaca | Tidak ada kode yang sesuai |
| Lokasi Akses Online |
https://link.springer.com/book/10.1007/978-981-92-0682-7 https://doi.org/10.1007/978-981-92-0682-7 |
| No Barcode | No. Panggil | Akses | Lokasi | Ketersediaan |
|---|---|---|---|---|
| 317826192 | 006.35 Zon n | Baca Online | Perpustakaan Pusat - Online Resources Ebook |
Tersedia |
| Tag | Ind1 | Ind2 | Isi |
| 001 | INLIS000000000170029 | ||
| 005 | 20260907094250 | ||
| 007 | ta | ||
| 008 | 260907################|##########|#|## | ||
| 020 | # | # | $a 978-981-92-0682-7 |
| 035 | # | # | $a 0010-0926000323 |
| 082 | # | # | $a 006.35 |
| 084 | # | # | $a 006.35 Zon n |
| 100 | 0 | # | $a Zong, Chengqing |
| 245 | 1 | # | $a Natural Language Processing and Large Language Models : $b Theory, Hand-on Codes, and Case Studies /$c Chengqing Zong , Yang Zhao , Yanjun Ma |
| 250 | # | # | $a 1 |
| 260 | # | # | $a Beijing :$b Tsinghua University Press,$c 2026 |
| 300 | # | # | $a xiv, 394 hlm. : $b ill. ; $c 21 cm. |
| 500 | # | # | $a Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies merupakan buku yang menggambarkan perjalanan perkembangan Natural Language Processing (NLP) dari metode tradisional menuju era Large Language Models (LLMs). Buku ditulis oleh Chengqing Zong, Yang Zhao, dan Yanjun Ma dengan tujuan membantu pembaca memahami sekaligus mempraktikkan teknologi NLP modern. Penulis melihat adanya kesenjangan antara penguasaan teori dan kemampuan implementasi. Karena itu, buku dirancang bukan semata-mata sebagai buku teori, melainkan sebagai panduan yang menggabungkan konsep, kode, eksperimen, dan studi kasus. Bab pertama memberikan fondasi untuk memahami NLP. NLP dijelaskan sebagai disiplin yang menggunakan teknologi komputer untuk memproses teks dan bahasa, mencakup identifikasi, klasifikasi, ekstraksi, transformasi, serta generasi informasi. Perkembangan NLP ditelusuri dari pendekatan berbasis aturan pada periode awal, kemudian beralih ke metode statistik berbasis korpus, dan selanjutnya berkembang menjadi pendekatan berbasis jaringan saraf. Transformasi ini menunjukkan bagaimana NLP bergerak dari sistem yang memerlukan banyak aturan manual menuju sistem yang mampu mempelajari pola dari data dalam jumlah besar. Bab kedua membangun fondasi deep learning melalui pembahasan jaringan saraf. Konsep neuron, perceptron, dan fungsi aktivasi menjadi dasar untuk memahami feedforward neural network. Selanjutnya diperkenalkan CNN untuk pemrosesan data spasial dan RNN untuk data sekuensial. Keterbatasan RNN dalam menangani dependensi jangka panjang kemudian menjadi alasan diperkenalkannya LSTM dan GRU. Pembahasan ini penting karena model-model tersebut menjadi fondasi historis bagi perkembangan sistem NLP modern. Bab ketiga membahas distributed representation, khususnya bagaimana kata, frasa, dan kalimat direpresentasikan dalam bentuk vektor. Pembaca diperkenalkan pada model word embedding, termasuk CBOW dan Skip-gram, serta pendekatan representasi dinamis seperti ELMo. Representasi vektor memungkinkan sistem komputer menangkap hubungan semantik dan konteks bahasa secara lebih efektif dibandingkan representasi simbolik tradisional. Bab keempat kemudian beralih ke model generasi sekuensial. Konsep sequence-to-sequence, encoder-decoder, mekanisme attention, dan Transformer dijelaskan sebagai teknologi penting dalam perkembangan NLP. Transformer memiliki posisi sentral karena menjadi arsitektur yang mendasari banyak model bahasa modern. Buku menjelaskan mekanisme self-attention, encoder, decoder, dan kemampuan Transformer dalam memproses sekuens secara lebih efisien. Bab kelima membahas model bahasa, mulai dari model statistik hingga model berbasis FNN dan LSTM. Pembahasan ini menjadi jembatan menuju bab keenam yang berfokus pada pre-trained large models. GPT, BERT, dan ERNIE dibahas sebagai representasi utama dari paradigma pre-training. GPT menggunakan arsitektur Transformer decoder dan pendekatan autoregresif, sedangkan BERT menggunakan pendekatan masked language model. ERNIE diperkenalkan sebagai model yang mengintegrasikan pengetahuan entitas dan frasa. Pembahasan kemudian berkembang menuju LLM. Buku menekankan bahwa peningkatan ukuran model dan data pelatihan menghasilkan kemampuan baru seperti in-context learning, kemampuan emergen, dan kemampuan penalaran tertentu. Perkembangan model bahasa besar juga mengubah cara manusia berinteraksi dengan sistem NLP: pengguna dapat memberikan instruksi melalui prompt dan memperoleh keluaran generatif. Penulis menguraikan proses pengembangan model generatif modern melalui tiga tahap utama, yaitu pelatihan model dasar, instruction tuning, dan reinforcement learning from human feedback (RLHF). Mulai bab ketujuh, orientasi buku menjadi semakin praktis. Pembaca mempelajari implementasi NLP melalui kode. Segmentasi kata bahasa Mandarin digunakan sebagai salah satu contoh awal. Buku menunjukkan bagaimana data dipersiapkan, model dibangun, parameter pelatihan dikonfigurasi, model dilatih, dievaluasi, dan digunakan untuk prediksi. Pendekatan tersebut kemudian diterapkan pada berbagai persoalan NLP. Bab kedelapan membahas analisis sentimen dengan LSTM dan BERT, termasuk aspect-based sentiment analysis. Bab kesembilan membahas ekstraksi informasi melalui named entity recognition menggunakan Bi-LSTM dan CRF serta ekstraksi relasi berbasis ERNIE-UIE. Bab kesepuluh membahas text semantic matching, termasuk pendekatan SimNet dan RocketQA. Bab kesebelas membahas peringkasan teks menggunakan PEGASUS serta metrik evaluasi seperti BLEU dan ROUGE. Struktur pembelajaran ini membuat pembaca dapat melihat bagaimana konsep yang diperkenalkan pada bab-bab awal diterapkan pada tugas nyata. Bab kedua belas mengarahkan pembaca pada pemahaman maksud dalam sistem dialog menggunakan ERNIE 3.0. Bab ketiga belas membahas machine reading comprehension, sedangkan bab keempat belas berfokus pada penerjemahan mesin menggunakan Transformer. Pada bagian ini, pembaca tidak hanya mempelajari arsitektur model tetapi juga proses data loading, model construction, konfigurasi pelatihan, evaluasi, dan prediksi. Bab kelima belas merupakan puncak pembahasan dengan memperkenalkan praktik pembangunan sistem tanya jawab otomatis menggunakan LLM. Sistem dibangun berdasarkan basis pengetahuan lokal. Prosesnya meliputi pembangunan indeks basis pengetahuan, mekanisme pencarian atau kueri, penyimpanan dokumen, dan inferensi menggunakan model bahasa besar. Pendekatan ini memperlihatkan bagaimana LLM dapat diintegrasikan dengan sumber pengetahuan tertentu untuk menghasilkan aplikasi tanya jawab. Aspek praktis merupakan salah satu keunggulan utama buku. Penulis menggunakan ekosistem PaddlePaddle dan PaddleNLP serta menyediakan lingkungan AI Studio untuk menjalankan eksperimen. Pembaca dapat bekerja menggunakan CPU maupun GPU dan memanfaatkan dataset yang telah disiapkan untuk berbagai tugas NLP. Dengan demikian, buku dapat digunakan sebagai bahan pembelajaran mandiri maupun sebagai buku teks praktikum. Secara keseluruhan, buku ini memberikan alur pembelajaran yang sistematis: fondasi NLP ? neural networks ? representasi bahasa ? sequence generation ? language models ? pre-trained models ? LLM ? aplikasi NLP ? sistem tanya jawab berbasis LLM. Pendekatan tersebut membuat buku relevan bagi pembaca yang ingin memahami bukan hanya apa itu NLP dan LLM, tetapi juga bagaimana teknologi tersebut dibangun dan diterapkan. Bagi mahasiswa dan peneliti, buku ini dapat berfungsi sebagai referensi untuk memahami teknologi NLP modern. Bagi pengembang, buku menyediakan contoh implementasi yang dapat dijadikan dasar eksperimen. Bagi pengajar, struktur 15 bab dan latihan pada berbagai bagian memungkinkan buku digunakan sebagai materi kuliah atau praktikum. Sementara itu, bagi peneliti kecerdasan buatan, buku memberikan gambaran hubungan antara model-model NLP klasik, deep learning, Transformer, pre-trained language models, dan LLM. Dengan karakter tersebut, buku ini dapat dipandang sebagai referensi teknis-praktis mengenai NLP modern yang menjembatani teori, pemrograman, eksperimen, dan pengembangan aplikasi berbasis Large Language Models. Struktur dan cakupan buku juga menunjukkan bahwa LLM tidak diposisikan sebagai teknologi yang berdiri sendiri, tetapi sebagai perkembangan dari rangkaian panjang penelitian NLP, machine learning, dan jaringan saraf yang dibangun secara bertahap. |
| 520 | # | # | $a Buku Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies menyajikan pengantar komprehensif mengenai perkembangan, teori, implementasi, dan aplikasi Natural Language Processing (NLP) dengan penekanan pada pendekatan berbasis jaringan saraf dan Large Language Models (LLMs). Buku diawali dengan perkembangan historis NLP dari pendekatan berbasis aturan dan statistik menuju neural network, Transformer, model bahasa pralatih, dan LLM. Pembahasan dasar meliputi feedforward neural networks, convolutional neural networks, recurrent neural networks, LSTM, GRU, representasi terdistribusi kata, frasa dan kalimat, model sequence-to-sequence, mekanisme attention, serta arsitektur Transformer. Selanjutnya dibahas model bahasa statistik, GPT, BERT, ERNIE, masked language models, instruction tuning, dan reinforcement learning from human feedback. Keunggulan utama buku terletak pada integrasi antara teori dan praktik. Bab-bab aplikatif memberikan implementasi langkah demi langkah menggunakan Python, PaddlePaddle, dan PaddleNLP, disertai proses pengolahan data, pembangunan model, konfigurasi pelatihan, evaluasi, prediksi, serta latihan. Kasus yang dibahas mencakup segmentasi kata bahasa Mandarin, analisis sentimen, ekstraksi informasi, text semantic matching, peringkasan otomatis, pengenalan maksud dalam dialog, machine reading comprehension, penerjemahan mesin, serta sistem tanya jawab berbasis LLM. Buku juga memperkenalkan pembangunan sistem tanya jawab berbasis pengetahuan menggunakan model ERNIE, indeks basis pengetahuan, mekanisme pencarian, dan inferensi model bahasa besar. ANOTASI Natural Language Processing and Large Language Models: Theory, Hand-on Codes, and Case Studies merupakan buku pembelajaran dan praktik mengenai pemrosesan bahasa alami yang menghubungkan konsep fundamental NLP dengan perkembangan mutakhir Large Language Models (LLMs). Chengqing Zong, Yang Zhao, dan Yanjun Ma menyusun buku ini dengan orientasi praktis bagi pembaca yang telah memiliki pengetahuan dasar tentang NLP. Penulis secara eksplisit menempatkan teori sebagai fondasi yang diperlukan, tetapi memberikan perhatian lebih besar pada proses implementasi, termasuk pengolahan data, pembangunan struktur model, konfigurasi parameter, optimasi, evaluasi, dan penerapan model. Bagian awal buku memberikan gambaran perkembangan NLP dari pendekatan berbasis template dan aturan, metode statistik berbasis korpus, hingga metode jaringan saraf. Pembaca diperkenalkan pada model n-gram, Hidden Markov Model, model diskriminatif, kemudian beralih ke FNN, CNN, RNN, LSTM, GRU, word embedding, sequence-to-sequence, attention, dan Transformer. Perkembangan tersebut menjadi dasar untuk memahami model bahasa pralatih seperti GPT, BERT, dan ERNIE serta evolusi menuju LLM. Struktur buku terdiri atas 15 bab. Bab 2–6 memberikan fondasi teori dan teknologi, sedangkan bab-bab berikutnya mengarahkan pembaca pada implementasi aplikasi NLP. Topik aplikasi mencakup segmentasi kata, analisis sentimen, ekstraksi informasi, pencocokan semantik teks, peringkasan teks, pengenalan maksud, machine reading comprehension, penerjemahan mesin, dan sistem tanya jawab menggunakan LLM. Salah satu karakteristik penting buku adalah pendekatan hands-on. Kode program yang digunakan telah diuji dan disediakan dalam lingkungan Baidu AI Studio melalui Jupyter Notebook/BML CodeLab sehingga pembaca dapat mempraktikkan model tanpa harus membangun seluruh lingkungan komputasi dari awal. PaddlePaddle dan PaddleNLP digunakan sebagai platform utama pembelajaran dan eksperimen. Buku juga menyediakan dataset untuk berbagai tugas, antara lain IMDB untuk analisis sentimen, CLUENER2020 untuk named entity recognition, LCQMC untuk pencocokan semantik, LCSTS untuk peringkasan, CrossWOZ untuk pemahaman maksud dialog, DuReaderrobust untuk reading comprehension, dan IWSLT 2015 untuk penerjemahan mesin. Bab terakhir memperluas pembelajaran menuju pembangunan sistem tanya jawab berbasis LLM. Pembaca diarahkan membangun indeks basis pengetahuan, mekanisme kueri, penyimpanan dokumen, dan proses inferensi menggunakan model ERNIE. Dengan demikian, buku tidak hanya menjelaskan konsep NLP dan LLM secara teoritis, tetapi juga memperlihatkan bagaimana teknologi tersebut dikembangkan menjadi aplikasi nyata. Secara keseluruhan, buku ini sangat sesuai untuk mahasiswa ilmu komputer, kecerdasan buatan, data science, NLP, peneliti, pengembang aplikasi AI, serta praktisi yang ingin memahami hubungan antara teori NLP, deep learning, Transformer, dan LLM melalui pendekatan pembelajaran berbasis praktik. |
| 650 | # | # | $a Computational linguistics |
| 650 | # | # | $a Natural language processing (Computer science) |
| 700 | 0 | # | $a Ma, Yanjun |
| 700 | 0 | # | $a Zhao, Yang |
| 856 | # | # | $a https://doi.org/10.1007/978-981-92-0682-7 |
| 856 | # | # | $a https://link.springer.com/book/10.1007/978-981-92-0682-7 |
| 990 | # | # | $a 317826192 |
| No | Nama File | Nama File Format Flash | Format File | Action |
| 1 | 978-981-92-0682-7.pdf | Download |
Content Unduh katalog
Karya Terkait :