wy微專業(yè)-AI工程師-自然語言處理

admin · 發(fā)表于 2025-5-24 00:57:25

wy微專業(yè)-AI工程師-自然語言處理

一：導論：基礎(chǔ)知識與中英文文本操作
開課時間： 11月22日10:00 – 12月8日20:00課程主頁

第1章自然語言處理基礎(chǔ)

1.1 本章概述
1.2文本數(shù)據(jù)、字、詞、term
1.3 字符串處理
1.4 模式匹配與正則表達式
1.5 【實戰(zhàn)】字符串基本處理與正則表達式文本匹配與替換
1.6 本章小結(jié)

第2章英文文本處理與解析

2.1 本章概述
2.2 英文文本解析任務(wù)介紹：分詞、去停用詞、提取詞干等
2.3 【實戰(zhàn)】NLTK工具庫英文文本處理案例
2.4 【實戰(zhàn)】spaCy工具庫英文文本處理案例
2.5 【實戰(zhàn)】基于python的英文文本相似度比對
2.6 【實戰(zhàn)】簡易文本情感分析器構(gòu)建
2.7 本章小結(jié)

第3章中文文本處理與解析

3.1 本章概述
3.2 中文文本處理任務(wù)介紹：分詞、去停用詞、N-gram
3.3英文文本解析任務(wù)介紹：詞性分析、依賴分析、命名實體識別、關(guān)鍵詞抽取
3.4 jieba工具庫介紹
3.5 【實戰(zhàn)】python中文文本清洗、處理與可視化
3.6 【實戰(zhàn)】python新聞網(wǎng)站關(guān)鍵詞抽取
3.7 本章小結(jié)

二：語言模型：通順度模型與智能糾錯

開課時間： 11月22日10:00 – 12月22日20:00課程主頁
第1章語言模型與應用
1.1本章概述
1.2 假設(shè)性獨立與聯(lián)合概率鏈規(guī)則
1.3 N-gram語言模型
1.4 N-gram應用：詞性標注、中文分詞、機器翻譯與語音識別
1.5 本章小結(jié)
第2章統(tǒng)計語言模型與神經(jīng)語言模型構(gòu)建
2.1 本章概述
2.2 基于統(tǒng)計的語言模型構(gòu)建
2.3【實戰(zhàn)】KenLM工具庫使用及語言模型生成
2.3 基于RNN的神經(jīng)語言模型
2.4【實戰(zhàn)】基于KenLM的簡易拼寫糾錯
2.5【實戰(zhàn)】基于RNN的神經(jīng)語言模型
2.6【實戰(zhàn)】基于pytorch的語言模型訓練
2.7 本章小結(jié)

三：文本表示：詞向量構(gòu)建與分布表示
開課時間： 12月23日10:00 – 12月29日20:00課程主頁

第1章文本詞與句的表示
第1章文本詞與句的表示
1.1 本章概述
1.2 文本表示概述
1.3 文本離散表示：詞袋模型與TF-IDF
1.4 文本分布式表示：word2vec
1.5 【實戰(zhàn)】python中文文本向量化表示
1.6 【實戰(zhàn)】基于gensim的中文文本詞向量訓練與相似度匹配
1.7 本章小結(jié)
第2章文本表示進階
2.1本章概述
2.2 預訓練在圖像領(lǐng)域的應用
2.3 ELMO:基于上下文的word-embedding
2.4 GPT:Transformer建模句子信息
2.5 BERT:預訓練雙向Transformer
2.6 基于BERT進行fine-tuning
2.7本章小結(jié)

四：文本分類：情感分析與內(nèi)容分類

開課時間： 12月23日10:00 – 1月5日20:00課程主頁
第1章文本分類機器學習模型與實戰(zhàn)
1.1 本章概述
1.2 樸素貝葉斯模型與中文文本分類
1.3 邏輯回歸/SVM與文本分類
1.4 facebook fasttext原理與操作
1.5 【實戰(zhàn)】python中文新聞分類
1.6 【實戰(zhàn)】基于fasttext的文本情感分析
1.7 本章小結(jié)
第2章文本分類深度學習模型與實戰(zhàn)
2.1 本章概述
2.2 詞嵌入與fine-tuning
2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類
2.4 基于LSTM的文本分類
2.5 Transformer/self-attention介紹
2.6【實戰(zhàn)】使用tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)完成新聞分類
2.7【實戰(zhàn)】使用tensorflow構(gòu)建LSTM完成影評褒貶分析模型
2.8 本章小結(jié)

五：主題模型：文本主題抽取與表示

開課時間： 12月23日10:00 – 1月12日20:00課程主頁
第1章文本主題抽取與表示
1.1 本章概述
1.2 基于tf-idf與text-rank的主題詞抽取
1.3 監(jiān)督學習與文本打標簽
1.4 無監(jiān)督學習與LDA主題模型
1.5【實戰(zhàn)】基于python的中文關(guān)鍵詞抽取與可視化
1.6【實戰(zhàn)】基于LDA的新聞主題分析與可視化呈現(xiàn)
1.7 本章小結(jié)

六：seq2seq模型：文本序列映射學習

開課時間： 12月23日10:00 – 1月19日20:00課程主頁
第1章序列到序列模型與應用
1.1 本章概述
1.2 從RNN到seq2seq模型
1.3 編碼解碼模型
1.4 seq2seq模型詳解
1.5 注意力(attention)機制
1.6 【實戰(zhàn)】tensorflow seq2seq模型使用方法詳解
1.7 【實戰(zhàn)】基于seq2seq的文本摘要生成實現(xiàn)
1.8 本章小結(jié)

七：文本生成：寫詩作詞對對聯(lián)

開課時間： 1月20日10:00 – 1月26日20:00課程主頁
第1章文本生成與自動創(chuàng)作
1.1 本章概述
1.2 基于RNN/LSTM的語言模型回顧
1.3 基于語言模型的文本生成原理
1.4 【實戰(zhàn)】基于LSTM的唐詩生成器
1.5 基于seq2seq的文本序列生成原理
1.6 【實戰(zhàn)】基于seq2seq的對聯(lián)生成器
1.7 本章小結(jié)

八：機器翻譯：雙語翻譯

開課時間： 1月20日10:00 – 2月9日20:00課程主頁
第1章統(tǒng)計機器翻譯
第1章統(tǒng)計機器翻譯
1.1 本章概述
1.2 詞、句子和語料與基本概率論知識
1.3 翻譯模型與語言模型
1.4 解碼與beam-search
1.5 翻譯系統(tǒng)評估
1.6【實戰(zhàn)】moses統(tǒng)計翻譯系統(tǒng)實戰(zhàn)
1.7 本章小結(jié)
第2章基于seq2seq的機器翻譯模型
2.1 本章概述
2.2 基礎(chǔ)seq2seq編解碼模型機器翻譯應用
2.3 基于注意力機制的seq2seq機器翻譯優(yōu)化
2.4【實戰(zhàn)】基于keras完成的基礎(chǔ)seq2seq機器翻譯模型
2.5【實戰(zhàn)】基于tensorflow的google版seq2seq機器翻譯模型
2.6 本章小結(jié)
第3章facebook基于CNN的機器翻譯模型
3.1 本章概述
3.2 基于CNN的翻譯系統(tǒng)模型結(jié)構(gòu)
3.3 使用CNN完成神經(jīng)翻譯系統(tǒng)的tricks
3.4【實戰(zhàn)】facebook CNN機器翻譯系統(tǒng)代碼解析
3.5 本章小結(jié)
第4章來自Google的Transformer模型
4.1 本章概述
4.2 來自Google的Transformer模型
4.3 Transformer模型的訓練細節(jié)
4.4【實戰(zhàn)】Transformer源碼解析
4.5 本章小結(jié)

九：聊天機器人：機器客服與語音助手
開課時間： 1月20日10:00 – 2月16日20:00課程主頁

第1章基于內(nèi)容匹配的聊天機器人
1.1 本章概述
1.2 聊天機器人基本知識綜述
1.3 基于內(nèi)容匹配的聊天機器人
1.4 【實戰(zhàn)】基于深度學習匹配的聊天機器人tensorflow實現(xiàn)
1.5 基于深度學習匹配的聊天機器人pytorch實現(xiàn)
1.6 本章小結(jié)
第2章基于seq2seq的聊天機器人
2.1 本章概述
2.2 聊天機器人場景與seq2seq模型回顧
2.3 數(shù)據(jù)處理與準備
2.4 基于tensorflow seq2seq的chatbot完整實現(xiàn)
2.5 拓展：基于transformer的chatbot實現(xiàn)
2.6 本章小結(jié)

十：視覺文本任務(wù)：看圖說話
開課時間： 2月17日10:00 – 2月23日20:00課程主頁

第1章看圖說話問題與實現(xiàn)
1.1 本章概述
1.2“看圖說話”問題介紹
1.3 簡易CNN+RNN編碼解碼模型完成圖片短文本描述原理
1.4 注意力模型與“看圖說話”優(yōu)化
1.5【實戰(zhàn)】基于CNN+RNN的編解碼“看圖說話”與beam-search優(yōu)化
1.6【實戰(zhàn)】基于attention model的“看圖說話”實現(xiàn)
1.7 本章小結(jié)
第2章視覺問答機器人(VQA)原理與實現(xiàn)
2.1 本章概述
2.2 視覺問答機器人問題介紹
2.3 基于圖像信息和文本信息抽取匹配的VQA實現(xiàn)方案
2.4 基于注意力(attention)的深度學習VQA實現(xiàn)方案
2.5【實戰(zhàn)】使用keras完成CNN+RNN基礎(chǔ)VQA模型
2.6【實戰(zhàn)】基于attention的深度學習VQA模型實現(xiàn)
2.7 本章小結(jié)

十一：文本相似度計算與文本匹配問題
開課時間： 2月17日10:00 – 3月1日20:00課程主頁

第1章文本相似度問題與應用場景
1.1 本章概述
1.2 文本相似度問題
1.3 傳統(tǒng)文本相似度計算方式：編輯距離、simhash、word2vec
1.4 【實戰(zhàn)】編輯距離計算python實現(xiàn)
1.5 【實戰(zhàn)】基于simhash的相似文本判斷
1.6 【實戰(zhàn)】詞向量Word Averaging
1.7 本章小結(jié)
第2章基于深度學習的文本語義匹配
2.1 本章概述
2.2 基于深度學習的句子相似度模型
2.3 DSSM（Deep Structured Semantic Models）模型詳解
2.4 DRMM（Deep Relevance Matching Model）模型詳解
2.5【實戰(zhàn)】基于LSTM的監(jiān)督學習語義表達抽取
2.6【實戰(zhàn)】基于DSSM的問題語義相似度匹配案例
2.7【實戰(zhàn)】基于DRMM的問答匹配案例
2.8 本章小結(jié)

購買主題本主題需向作者支付 10 資源幣 才能瀏覽

tiantian · 發(fā)表于 2025-5-25 13:20:06

199會員買了現(xiàn)在不給算號了，客服不會回話的

761412789 · 發(fā)表于 2025-5-26 23:23:13

2025年5月26日 23:23:46

尼比魯人 · 發(fā)表于 2025-5-27 22:15:46

感謝分享

testcat · 發(fā)表于 2025-5-28 12:36:22

樓主雷鋒啊，謝謝分享

1393838589 · 發(fā)表于 2025-6-6 11:28:45

6666666666666666

		自動登錄	找回密碼
密碼			注冊成為正式會員

wy微專業(yè)-AI工程師-自然語言處理

論壇管理員

超級版主

終身VIP會員

資源共享吧男神

終身成就