微专业AI工程师从入门到精通NLP必备技能

600学习网终身会员188 所有资源免费无秘无压缩-开通会员

││ 一章小结.mp4

││ 一章概述.mp4

││ 字符串基本处理与正则表达式文本匹配与替换.mp4

││ 字符串处理.mp4

││ 文本数据、字、词、term.mp4

││ 模式匹配与正则表达式.mp4

││

│├─第二章英文文本处理与解析

││ 【实战】nltk工具库英文文本处理案例.mp4

││ 【实战】spacy工具库英文文本处理案例.mp4

││ 【实战】基于python的英文文本相似度比对.mp4

││ 【实战】简易文本情感分析器构建.mp4

││ 章小结.mp4

││ 章概述.mp4

││ 英文文本解析任务介绍：分词、去停用词、提取词干等.mp4

││

│└─第三章中文文本处理与解析

│ jieba工具库介绍.mp4

│ 【实战】python中文文本清洗、处理与可视化.mp4

│ 【实战】python新闻网站关键词抽取.mp4

│ 中文文本处理任务介绍：分词、去停用词、ngram.mp4

│ 中文文本解析任务介绍：词姓分析、依赖分析等.mp4

│ 章小结.mp4

│ 章概述.mp4

│

├─02-语言模型与应用

││考核作业.rar

││课件与代码.rar

││

│├─第一章语言模型与应用

││ ngram应用：词姓标注、中文分词、机器翻译与语音识别.mp4

││ ngram语言模型.mp4

││ 假设姓独立与联合概率链规则.mp4

││ 章小结.mp4

││ 章概述.mp4

││

│└─第二章统计语言模型与神经语言模型构建

│ 【实战】kenlm工具库使用及语言模型生成.mp4

│ 【实战】基于kenlm的简易拼写纠错.mp4

│ 【实战】基于pytorch的语言模型训练.mp4

│ 基于rnn的神经语言模型.mp4

│ 基于统计的语言模型构建.mp4

│ 章小结.mp4

│ 章概述.mp4

│

├─03-文本表示

││考核作业.rar

││

│├─第一章-文本词与句的表示

││ 01章概述.mp4

││ 02-文本表示概述.mp4

││ 03-文本离散表示：词袋模型与tf-idf.mp4

││ 04-文本分布式表示：word2vec.mp4

││ 05-【实战】python中文文本向量化表示.mp4

││ 06-【实战】基于gensim的中文文本词向量训练与相似度匹配.mp4

││ 07章小结.mp4

││

│└─第二章-文本表示进阶

│ 01章概述.mp4

│ 02-预训练在图像领域的应用.mp4

│ 03-elmo基于上下文的word embedding.mp4

│ 04-gpt transformer建模句子信息.mp4

│ 05-bert 预训练双向transformer.mp4

│ 06-基于bert进行fine-tuning.mp4

│ 07章小结.mp4

│

├─04-文本分类

│├─第一章-文本分类机器学习模型与实战

││ 01章概述.mp4

││ 02-朴素贝叶斯模型与中文文本分类.mp4

││ 03-逻辑回归 _svm与文本分类.mp4

││ 04-facebook fasttext原理与操作.mp4

││ 05-【实战】python中文新闻分类.mp4

││ 06-【实战】基于fasttext的文本情感分析.mp4

││ 07章小结.mp4

││

│├─第二章-文本分类深度学习模型与实战

││ 01章概述.mp4

││ 02-词嵌入与fine-tuning.mp4

││ 03-基于卷积神经网络的文本分类.mp4

││ 04-基于lstm的文本分类.mp4

││ 05-transformerself-attention介绍.mp4

││ 06-使用tensorflow构建卷积神经网络完成新闻分类.mp4

││ 07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4

││ 08章小结.mp4

││

│└─考核作业

│ ├─文本分类：情感分析与内容分类_主观题

│ │ 1.PNG

│ │ 2.PNG

│ │

│ └─文本分类：情感分析与内容分类_客观题

│ 1.PNG

│ 2.PNG

│ 3.PNG

│ 答案.txt

│

├─05-文本主题抽取与表示

│├─第一章-文本主题抽取与表示

││ 01章小结.mp4

││ 02-基于tf-idf与text-rank的主题词抽取.mp4

││ 03-监督学习与文本打标签.mp4

││ 04-无监督学习与lda主题模型.mp4

││ 05基于python的中文关键词抽取与可视化.mp4

││ 06-基于lda的新闻主题分析与可视化呈现.mp4

││ 07章小结.mp4

││

│└─考核作业

│ │主题模型：文本主题抽取与表示_主观题.PNG

│ │

│ └─主题模型：文本主题抽取与表示_客观题

│ 1.PNG

│ 2.PNG

│ 答案.txt

│

├─06-序列到序列模型3

│├─第一章-序列到序列模型与应用

││ 01章概述.mp4

││ 02-从rnn到seq2seq模型.mp4;

││ 03-编码解码模型.mp4

││ 04-seq2seq模型详解.mp4

││ 05-注意（attention）机制.mp4

││ 06-tensorflow seq2seq模型使用方法详解.mp4

││ 07-基于seq2seq的文本摘要生成实现.mp4

││ 08章总结.mp4

│└─考核作业7 a+ x3 q. M5 Y R G

│ │seq2seq模型：文本序列映射学习_主观题.PNG

│ │

│ └─seq2seq模型：文本序列映射学习_客观题

│ 1.PNG

│ 2.PNG

│ 答案.txt.

│

├─07-文本生成

│├─第一章-文本生成与自动创作

││ 01章概述.mp4

││ 02-基于rnn lstm的语言模型回顾.mp4

││ 03-基于语言模型的文本生成原理.mp4

││ 04-【实战】基于lstm的唐诗生成器.mp4

││ 05-基于seq2seq的文本序列生成原理.mp4

││ 06-【实战】基于seq2seq的对联生成器.mp4

││ 07章小结.mp4

││

│└─考核作业

│ │文本生成：写诗作词对对联_主观题.PNG

│ │

│ └─文本生成：写诗作词对对联_客观题

│ 1.PNG,

│ 2.PNG

│ 答案.txt

│

├─08-机器翻译

│└─第一章-机器翻译：双语翻译#

│ ├─01-统计机器翻译

│ │ 01章概述.mp4

│ │ 02-词，句子和语料与基本概率论知识.mp4

│ │ 03-翻译模型与语言模型.mp4

│ │ 04-解码与beam-search.mp4

│ │ 05-翻译系统评估.mp4

│ │ 06-【实战】moses统计翻译系统实战.mp4

│ │ 07章小结.mp4

│ │

│ ├─02-基于seq2seq的机器翻译模型5

│ │ 01章概述.mp4

│ │ 02-基础seq2seq编解码模型机器翻译应用.mp4

│ │ 03-基于注意力机制的seq2seq机器翻译优化.mp4

│ │ 04-【实战】基于keras完成的基础seq2seq机器翻译模型.mp4

│ │ 05-【实战】基于tensorflow的google版seq2seq机器翻译模型.mp4

│ │ 06章小结.mp4

│ │

│ ├─03-fackbook基于CNN的机器翻译模型

│ │ 01章概述.mp4

│ │ 02-基于cnn的翻译系统模型结构.mp4

│ │ 03-使用cnn完成神经翻译系统的tricks.mp4

│ │ 04-facebook cnn机器翻译系统代码解析.mp4

│ │ 05章小结.mp4

│ └─04-来自Google的Transformer模型

│ 01章概述.mp4

│ 02-来自google的transformer模型.mp4

│ 03-transformer模型的训练细节.mp4

│ 04-【实战】transformer源码解析.mp4

│ 05章小结.mp4

│

├─09-聊天机器人

│└─第一章-聊天机器人：机器客服与语音助手

│ ├─01-基于内容匹配的聊天机器人

│ │ 01章概述.mp4

│ │ 02-聊天机器人基本知识综述.mp4

│ │ 03-基于内容匹配的聊天机器人.mp4

│ │ 04-基于深度学习匹配的聊天机器人tensorflow实现.mp4

│ │ 05-基于深度学习匹配的聊天机器人pytorch实现.mp4

│ │ 06章小结.mp4

│ │

│ └─02-基于seq2seq的聊天机器人

│ 01章概述.mp4

│ 02-聊天机器人场景与seq2seq模型回顾.mp4

│ 03-数据准备与处理.mp4

│ 04-基于tensorflow seq2seq的chatbot完整实现.mp4

│ 05-拓展：基于transformer的chatbot实现.mp4

│ 06章小结.mp4

│

├─10-视觉文本任务：看图说话

│├─01-看图说话问题与实现

││ 1.1 本章概述.mp4 t0 s* H( i- F- N2 K

││ 1.2 “看图说话”问题介绍.mp4

││ 1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4

││ 1.4 注意力模型与“看图说话”优化.mp4

││ 1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4

││ 1.6 【实战】基于attention model的“看图说话”实现.mp4

││ 1.7 本章小结.mp4

││

│└─02-视觉问答机器人(VQA)原理与实现

│ 2.1 本章概述.mp4

│ 2.2 视觉问答机器人问题介绍.mp4

│ 2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4

│ 2.4 基于注意力(attention)的深度学习vqa实现方案.mp4

│ 2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4

│ 2.6【实战】基于attention的深度学习vqa模型实现.mp

│ 2.7 本章小结.mp4

│

└─11-文本相似度计算与文本匹配问题

├─01-文本相似度计算与文本匹配问题

│ 1.1 本章概述.mp4

│ 1.2 文本相似度问题与应用.mp4

│ 1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp

│ 1.4 【实战】编辑距离计算python实现.mp4

│ 1.5 【实战】基于simhash的相似文本判断.mp4

│ 1.6 【实战】词向量word averaging.mp4

│ 1.7 本章小结.mp4

│ 第1章文本相似度问题与应用场景.pdf

│

└─02-基于深度学习的文本语义匹配

第2章基于深度学习的文本语义匹配.pdf

2.1 本章概述.mp4

2.2 基于深度学习的句子相似度模型.mp4

2.3 dssm（deep structured semantic models）模型详解.mp4

2.4 drmm（deep relevance matching model）模型详解.mp4

2.5【实战】基于lstm的监督学习语义表达抽取.mp4

2.6【实战】基于dssm的问题语义相似度匹配案例.mp4

2.7【实战】基于drmm的问答匹配案例.mp4

2.8 本章小结.mp4