课程简介
学习完本门课程，您将对自然语言处理技术有更深入的了解。掌握分词、词性标注、命名实体识别、文本分类、文本生成、聊天机器人等;课程基于时下比较流行的深度学习框架-PyTorch，其中更涉及深度学习主流框架LSTM模型以及自然语言处理的词向量。
目标收益
快速入门自然语言处理
掌握深度学习PyTorch框架使用方法
熟练进行项目开发
提供实战模板，快速提升深度学习的实际项目经验
了解目前技术趋势
培训对象
1. 有python开发基础的
2. 有机器学习经验的
课程大纲
|
第一章 自然语言处理定义及应用 |
自然语言处理应用案例讲解 自然语言的定义 应用现状 主流深度学习框架介绍 本课程需要用到的环境介绍与部署 1、Python 2、Pytorch |
|
第二章 自然语言处理中的常用库介绍 |
1.Numpy&sklearn 2.gensim 3.NLTK 4.jieba |
|
第三章 传统机器学习与神经网络 |
传统机器学习方式 1、Tf-idf讲解 2、朴素贝叶斯讲解 神经网络 1、激活函数 2、神经元 3、隐藏层 案例：新闻分类（垃圾邮件分类） |
|
第四章 分词详解、词性标注与实体识别 |
分词算法讲解 1、语言模型和中文分词 2、基于词典分词 3、基于统计学分词 词性标注算法讲解（HMM） 命名实体识别算法讲解（CRF） 案例：中文分词实战 案例：中文命名实体识别实战 |
|
第五章 卷积网络与循环神经网络 |
卷积神经网络讲解 1、卷积层 2、池化层 示例：使用TextCNN文本分类 循环神经网络讲解 1、RNN 2、LSTM 3、GRU 使用RNN系列做文本分类 |
|
第六章 Seq2seq+attention详解 |
词向量 Attention注意力机制 Transformer机制 案例：诗歌生成 使用seq2seq打造聊天机器人 |
|
第七章 Bert详解 |
Bert模型本质内容 RoBert，tinyBert，Albert等派生框架 熟悉Bert训练方式 学会使用Bert处理下游任务 实战案例： Bert处理意图识别任务 Bert处理中文阅读理解任务 |
|
第一章 自然语言处理定义及应用 自然语言处理应用案例讲解 自然语言的定义 应用现状 主流深度学习框架介绍 本课程需要用到的环境介绍与部署 1、Python 2、Pytorch |
|
第二章 自然语言处理中的常用库介绍 1.Numpy&sklearn 2.gensim 3.NLTK 4.jieba |
|
第三章 传统机器学习与神经网络 传统机器学习方式 1、Tf-idf讲解 2、朴素贝叶斯讲解 神经网络 1、激活函数 2、神经元 3、隐藏层 案例：新闻分类（垃圾邮件分类） |
|
第四章 分词详解、词性标注与实体识别 分词算法讲解 1、语言模型和中文分词 2、基于词典分词 3、基于统计学分词 词性标注算法讲解（HMM） 命名实体识别算法讲解（CRF） 案例：中文分词实战 案例：中文命名实体识别实战 |
|
第五章 卷积网络与循环神经网络 卷积神经网络讲解 1、卷积层 2、池化层 示例：使用TextCNN文本分类 循环神经网络讲解 1、RNN 2、LSTM 3、GRU 使用RNN系列做文本分类 |
|
第六章 Seq2seq+attention详解 词向量 Attention注意力机制 Transformer机制 案例：诗歌生成 使用seq2seq打造聊天机器人 |
|
第七章 Bert详解 Bert模型本质内容 RoBert，tinyBert，Albert等派生框架 熟悉Bert训练方式 学会使用Bert处理下游任务 实战案例： Bert处理意图识别任务 Bert处理中文阅读理解任务 |
近期公开课推荐
