wy微專業(yè)-AI工程師-自然語(yǔ)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(yǔ)言處理

一：導(dǎo)論：基礎(chǔ)知識(shí)與中英文文本操作
開課時(shí)間： 11月22日10:00 – 12月8日20:00課程主頁(yè)

第1章自然語(yǔ)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(dá)式
1.5 【實(shí)戰(zhàn)】字符串基本處理與正則表達(dá)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(shí)戰(zhàn)】NLTK工具庫(kù)英文文本處理案例
2.4 【實(shí)戰(zhàn)】spaCy工具庫(kù)英文文本處理案例
2.5 【實(shí)戰(zhàn)】基于python的英文文本相似度比對(duì)
2.6 【實(shí)戰(zhàn)】簡(jiǎn)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(shí)體識(shí)別、關(guān)鍵詞抽取
3.4 jieba工具庫(kù)介紹
3.5 【實(shí)戰(zhàn)】python中文文本清洗、處理與可視化
3.6 【實(shí)戰(zhàn)】python新聞網(wǎng)站關(guān)鍵詞抽取
3.7 本章小結(jié)

二：語(yǔ)言模型：通順度模型與智能糾錯(cuò)

開課時(shí)間： 11月22日10:00 – 12月22日20:00課程主頁(yè)
第1章語(yǔ)言模型與應(yīng)用
1.1本章概述
1.2 假設(shè)性獨(dú)立與聯(lián)合概率鏈規(guī)則
1.3 N-gram語(yǔ)言模型
1.4 N-gram應(yīng)用：詞性標(biāo)注、中文分詞、機(jī)器翻譯與語(yǔ)音識(shí)別
1.5 本章小結(jié)
第2章統(tǒng)計(jì)語(yǔ)言模型與神經(jīng)語(yǔ)言模型構(gòu)建
2.1 本章概述
2.2 基于統(tǒng)計(jì)的語(yǔ)言模型構(gòu)建
2.3【實(shí)戰(zhàn)】KenLM工具庫(kù)使用及語(yǔ)言模型生成
2.3 基于RNN的神經(jīng)語(yǔ)言模型
2.4【實(shí)戰(zhàn)】基于KenLM的簡(jiǎn)易拼寫糾錯(cuò)
2.5【實(shí)戰(zhàn)】基于RNN的神經(jīng)語(yǔ)言模型
2.6【實(shí)戰(zhàn)】基于pytorch的語(yǔ)言模型訓(xùn)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(shí)間： 12月23日10:00 – 12月29日20:00課程主頁(yè)

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(shí)戰(zhàn)】python中文文本向量化表示
1.6 【實(shí)戰(zhàn)】基于gensim的中文文本詞向量訓(xùn)練與相似度匹配
1.7 本章小結(jié)
第2章文本表示進(jìn)階
2.1本章概述
2.2 預(yù)訓(xùn)練在圖像領(lǐng)域的應(yīng)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(yù)訓(xùn)練雙向Transformer
2.6 基于BERT進(jìn)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(shí)間： 12月23日10:00 – 1月5日20:00課程主頁(yè)
第1章文本分類機(jī)器學(xué)習(xí)模型與實(shí)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(shí)戰(zhàn)】python中文新聞分類
1.6 【實(shí)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(xué)習(xí)模型與實(shí)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(shí)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(shí)戰(zhàn)】使用tensorflow構(gòu)建LSTM完成影評(píng)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(shí)間： 12月23日10:00 – 1月12日20:00課程主頁(yè)
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(xué)習(xí)與文本打標(biāo)簽
1.4 無監(jiān)督學(xué)習(xí)與LDA主題模型
1.5【實(shí)戰(zhàn)】基于python的中文關(guān)鍵詞抽取與可視化
1.6【實(shí)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(xué)習(xí)

開課時(shí)間： 12月23日10:00 – 1月19日20:00課程主頁(yè)
第1章序列到序列模型與應(yīng)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(jī)制
1.6 【實(shí)戰(zhàn)】tensorflow seq2seq模型使用方法詳解
1.7 【實(shí)戰(zhàn)】基于seq2seq的文本摘要生成實(shí)現(xiàn)
1.8 本章小結(jié)

七：文本生成：寫詩(shī)作詞對(duì)對(duì)聯(lián)

開課時(shí)間： 1月20日10:00 – 1月26日20:00課程主頁(yè)
第1章文本生成與自動(dòng)創(chuàng)作
1.1 本章概述
1.2 基于RNN/LSTM的語(yǔ)言模型回顧
1.3 基于語(yǔ)言模型的文本生成原理
1.4 【實(shí)戰(zhàn)】基于LSTM的唐詩(shī)生成器
1.5 基于seq2seq的文本序列生成原理
1.6 【實(shí)戰(zhàn)】基于seq2seq的對(duì)聯(lián)生成器
1.7 本章小結(jié)

八：機(jī)器翻譯：雙語(yǔ)翻譯

開課時(shí)間： 1月20日10:00 – 2月9日20:00課程主頁(yè)
第1章統(tǒng)計(jì)機(jī)器翻譯
第1章統(tǒng)計(jì)機(jī)器翻譯
1.1 本章概述
1.2 詞、句子和語(yǔ)料與基本概率論知識(shí)
1.3 翻譯模型與語(yǔ)言模型
1.4 解碼與beam-search
1.5 翻譯系統(tǒng)評(píng)估
1.6【實(shí)戰(zhàn)】moses統(tǒng)計(jì)翻譯系統(tǒng)實(shí)戰(zhàn)
1.7 本章小結(jié)
第2章基于seq2seq的機(jī)器翻譯模型
2.1 本章概述
2.2 基礎(chǔ)seq2seq編解碼模型機(jī)器翻譯應(yīng)用
2.3 基于注意力機(jī)制的seq2seq機(jī)器翻譯優(yōu)化
2.4【實(shí)戰(zhàn)】基于keras完成的基礎(chǔ)seq2seq機(jī)器翻譯模型
2.5【實(shí)戰(zhàn)】基于tensorflow的google版seq2seq機(jī)器翻譯模型
2.6 本章小結(jié)
第3章facebook基于CNN的機(jī)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(shí)戰(zhàn)】facebook CNN機(jī)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(xùn)練細(xì)節(jié)
4.4【實(shí)戰(zhàn)】Transformer源碼解析
4.5 本章小結(jié)

九：聊天機(jī)器人：機(jī)器客服與語(yǔ)音助手
開課時(shí)間： 1月20日10:00 – 2月16日20:00課程主頁(yè)

第1章基于內(nèi)容匹配的聊天機(jī)器人
1.1 本章概述
1.2 聊天機(jī)器人基本知識(shí)綜述
1.3 基于內(nèi)容匹配的聊天機(jī)器人
1.4 【實(shí)戰(zhàn)】基于深度學(xué)習(xí)匹配的聊天機(jī)器人tensorflow實(shí)現(xiàn)
1.5 基于深度學(xué)習(xí)匹配的聊天機(jī)器人pytorch實(shí)現(xiàn)
1.6 本章小結(jié)
第2章基于seq2seq的聊天機(jī)器人
2.1 本章概述
2.2 聊天機(jī)器人場(chǎng)景與seq2seq模型回顧
2.3 數(shù)據(jù)處理與準(zhǔn)備
2.4 基于tensorflow seq2seq的chatbot完整實(shí)現(xiàn)
2.5 拓展：基于transformer的chatbot實(shí)現(xiàn)
2.6 本章小結(jié)

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

第1章看圖說話問題與實(shí)現(xiàn)
1.1 本章概述
1.2“看圖說話”問題介紹
1.3 簡(jiǎn)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(shí)戰(zhàn)】基于CNN+RNN的編解碼“看圖說話”與beam-search優(yōu)化
1.6【實(shí)戰(zhàn)】基于attention model的“看圖說話”實(shí)現(xiàn)
1.7 本章小結(jié)
第2章視覺問答機(jī)器人(VQA)原理與實(shí)現(xiàn)
2.1 本章概述
2.2 視覺問答機(jī)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(shí)現(xiàn)方案
2.4 基于注意力(attention)的深度學(xué)習(xí)VQA實(shí)現(xiàn)方案
2.5【實(shí)戰(zhàn)】使用keras完成CNN+RNN基礎(chǔ)VQA模型
2.6【實(shí)戰(zhàn)】基于attention的深度學(xué)習(xí)VQA模型實(shí)現(xiàn)
2.7 本章小結(jié)

十一：文本相似度計(jì)算與文本匹配問題
開課時(shí)間： 2月17日10:00 – 3月1日20:00課程主頁(yè)

第1章文本相似度問題與應(yīng)用場(chǎng)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(jì)算方式：編輯距離、simhash、word2vec
1.4 【實(shí)戰(zhàn)】編輯距離計(jì)算python實(shí)現(xiàn)
1.5 【實(shí)戰(zhàn)】基于simhash的相似文本判斷
1.6 【實(shí)戰(zhàn)】詞向量Word Averaging
1.7 本章小結(jié)
第2章基于深度學(xué)習(xí)的文本語(yǔ)義匹配
2.1 本章概述
2.2 基于深度學(xué)習(xí)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(shí)戰(zhàn)】基于LSTM的監(jiān)督學(xué)習(xí)語(yǔ)義表達(dá)抽取
2.6【實(shí)戰(zhàn)】基于DSSM的問題語(yǔ)義相似度匹配案例
2.7【實(shí)戰(zhàn)】基于DRMM的問答匹配案例
2.8 本章小結(jié)

購(gòu)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(huì)員買了現(xiàn)在不給算號(hào)了，客服不會(huì)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(dòng)登錄	找回密碼
密碼			注冊(cè)成為正式會(huì)員

wy微專業(yè)-AI工程師-自然語(yǔ)言處理

論壇管理員

超級(jí)版主

終身VIP會(huì)員

資源共享吧男神

終身成就