|
87| 4
|
wy微专业-AI工程师-自然语言处理 |
|
wy微专业-AI工程师-自然语言处理
一：导论：基础知识与中英文文本操作 开课时间： 11月22日10:00 – 12月8日20:00课程主页 第1章 自然语言处理基础 1.1 本章概述 1.2文本数据、字、词、term 1.3 字符串处理 1.4 模式匹配与正则表达式 1.5 【实战】字符串基本处理与正则表达式文本匹配与替换 1.6 本章小结 第2章 英文文本处理与解析 2.1 本章概述 2.2 英文文本解析任务介绍：分词、去停用词、提取词干等 2.3 【实战】NLTK工具库英文文本处理案例 2.4 【实战】spaCy工具库英文文本处理案例 2.5 【实战】基于python的英文文本相似度比对 2.6 【实战】简易文本情感分析器构建 2.7 本章小结 第3章 中文文本处理与解析 3.1 本章概述 3.2 中文文本处理任务介绍：分词、去停用词、N-gram 3.3英文文本解析任务介绍：词性分析、依赖分析、命名实体识别、关键词抽取 3.4 jieba工具库介绍 3.5 【实战】python中文文本清洗、处理与可视化 3.6 【实战】python新闻网站关键词抽取 3.7 本章小结 二：语言模型：通顺度模型与智能纠错 开课时间： 11月22日10:00 – 12月22日20:00课程主页 第1章 语言模型与应用 1.1本章概述 1.2 假设性独立与联合概率链规则 1.3 N-gram语言模型 1.4 N-gram应用：词性标注、中文分词、机器翻译与语音识别 1.5 本章小结 第2章 统计语言模型与神经语言模型构建 2.1 本章概述 2.2 基于统计的语言模型构建 2.3【实战】KenLM工具库使用及语言模型生成 2.3 基于RNN的神经语言模型 2.4【实战】基于KenLM的简易拼写纠错 2.5【实战】基于RNN的神经语言模型 2.6【实战】基于pytorch的语言模型训练 2.7 本章小结 三：文本表示：词向量构建与分布表示 开课时间： 12月23日10:00 – 12月29日20:00课程主页 第1章 文本词与句的表示 第1章文本词与句的表示 1.1 本章概述 1.2 文本表示概述 1.3 文本离散表示：词袋模型与TF-IDF 1.4 文本分布式表示：word2vec 1.5 【实战】python中文文本向量化表示 1.6 【实战】基于gensim的中文文本词向量训练与相似度匹配 1.7 本章小结 第2章文本表示进阶 2.1本章概述 2.2 预训练在图像领域的应用 2.3 ELMO:基于上下文的word-embedding 2.4 GPT:Transformer建模句子信息 2.5 BERT:预训练双向Transformer 2.6 基于BERT进行fine-tuning 2.7本章小结 四：文本分类：情感分析与内容分类 开课时间： 12月23日10:00 – 1月5日20:00课程主页 第1章文本分类机器学习模型与实战 1.1 本章概述 1.2 朴素贝叶斯模型与中文文本分类 1.3 逻辑回归/SVM与文本分类 1.4 facebook fasttext原理与操作 1.5 【实战】python中文新闻分类 1.6 【实战】基于fasttext的文本情感分析 1.7 本章小结 第2章文本分类深度学习模型与实战 2.1 本章概述 2.2 词嵌入与fine-tuning 2.3 基于卷积神经网络的文本分类 2.4 基于LSTM的文本分类 2.5 Transformer/self-attention介绍 2.6【实战】使用tensorflow构建卷积神经网络完成新闻分类 2.7【实战】使用tensorflow构建LSTM完成影评褒贬分析模型 2.8 本章小结 五：主题模型：文本主题抽取与表示 开课时间： 12月23日10:00 – 1月12日20:00课程主页 第1章文本主题抽取与表示 1.1 本章概述 1.2 基于tf-idf与text-rank的主题词抽取 1.3 监督学习与文本打标签 1.4 无监督学习与LDA主题模型 1.5【实战】基于python的中文关键词抽取与可视化 1.6【实战】基于LDA的新闻主题分析与可视化呈现 1.7 本章小结 六：seq2seq模型：文本序列映射学习 开课时间： 12月23日10:00 – 1月19日20:00课程主页 第1章序列到序列模型与应用 1.1 本章概述 1.2 从RNN到seq2seq模型 1.3 编码解码模型 1.4 seq2seq模型详解 1.5 注意力(attention)机制 1.6 【实战】tensorflow seq2seq模型使用方法详解 1.7 【实战】基于seq2seq的文本摘要生成实现 1.8 本章小结 七：文本生成：写诗作词对对联 开课时间： 1月20日10:00 – 1月26日20:00课程主页 第1章文本生成与自动创作 1.1 本章概述 1.2 基于RNN/LSTM的语言模型回顾 1.3 基于语言模型的文本生成原理 1.4 【实战】基于LSTM的唐诗生成器 1.5 基于seq2seq的文本序列生成原理 1.6 【实战】基于seq2seq的对联生成器 1.7 本章小结 八：机器翻译：双语翻译 开课时间： 1月20日10:00 – 2月9日20:00课程主页 第1章 统计机器翻译 第1章统计机器翻译 1.1 本章概述 1.2 词、句子和语料与基本概率论知识 1.3 翻译模型与语言模型 1.4 解码与beam-search 1.5 翻译系统评估 1.6【实战】moses统计翻译系统实战 1.7 本章小结 第2章基于seq2seq的机器翻译模型 2.1 本章概述 2.2 基础seq2seq编解码模型机器翻译应用 2.3 基于注意力机制的seq2seq机器翻译优化 2.4【实战】基于keras完成的基础seq2seq机器翻译模型 2.5【实战】基于tensorflow的google版seq2seq机器翻译模型 2.6 本章小结 第3章facebook基于CNN的机器翻译模型 3.1 本章概述 3.2 基于CNN的翻译系统模型结构 3.3 使用CNN完成神经翻译系统的tricks 3.4【实战】facebook CNN机器翻译系统代码解析 3.5 本章小结 第4章来自Google的Transformer模型 4.1 本章概述 4.2 来自Google的Transformer模型 4.3 Transformer模型的训练细节 4.4【实战】Transformer源码解析 4.5 本章小结 九：聊天机器人：机器客服与语音助手 开课时间： 1月20日10:00 – 2月16日20:00课程主页 第1章 基于内容匹配的聊天机器人 1.1 本章概述 1.2 聊天机器人基本知识综述 1.3 基于内容匹配的聊天机器人 1.4 【实战】基于深度学习匹配的聊天机器人tensorflow实现 1.5 基于深度学习匹配的聊天机器人pytorch实现 1.6 本章小结 第2章 基于seq2seq的聊天机器人 2.1 本章概述 2.2 聊天机器人场景与seq2seq模型回顾 2.3 数据处理与准备 2.4 基于tensorflow seq2seq的chatbot完整实现 2.5 拓展：基于transformer的chatbot实现 2.6 本章小结 十：视觉文本任务：看图说话 开课时间： 2月17日10:00 – 2月23日20:00课程主页 第1章 看图说话问题与实现 1.1 本章概述 1.2“看图说话”问题介绍 1.3 简易CNN+RNN编码解码模型完成图片短文本描述原理 1.4 注意力模型与“看图说话”优化 1.5【实战】基于CNN+RNN的编解码“看图说话”与beam-search优化 1.6【实战】基于attention model的“看图说话”实现 1.7 本章小结 第2章 视觉问答机器人(VQA)原理与实现 2.1 本章概述 2.2 视觉问答机器人问题介绍 2.3 基于图像信息和文本信息抽取匹配的VQA实现方案 2.4 基于注意力(attention)的深度学习VQA实现方案 2.5【实战】使用keras完成CNN+RNN基础VQA模型 2.6【实战】基于attention的深度学习VQA模型实现 2.7 本章小结 十一：文本相似度计算与文本匹配问题 开课时间： 2月17日10:00 – 3月1日20:00课程主页 第1章 文本相似度问题与应用场景 1.1 本章概述 1.2 文本相似度问题 1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec 1.4 【实战】编辑距离计算python实现 1.5 【实战】基于simhash的相似文本判断 1.6 【实战】词向量Word Averaging 1.7 本章小结 第2章基于深度学习的文本语义匹配 2.1 本章概述 2.2 基于深度学习的句子相似度模型 2.3 DSSM（Deep Structured Semantic Models）模型详解 2.4 DRMM（Deep Relevance Matching Model）模型详解 2.5【实战】基于LSTM的监督学习语义表达抽取 2.6【实战】基于DSSM的问题语义相似度匹配案例 2.7【实战】基于DRMM的问答匹配案例 2.8 本章小结
购买主题
本主题需向作者支付 10 资源币 才能浏览
| |
| ||
| ||
| ||
小黑屋|资源共享吧 ( 琼ICP备2023000410号-1 )
GMT+8, 2025-5-29 13:53 , Processed in 0.050535 second(s), 17 queries , MemCached On.
发表于 
发表于 