
NLP自然語(yǔ)言處理培訓(xùn)
一:概率論和貝葉斯方法
1.1 概率和分布
1.2 條件概率
1.3 貝葉斯法則
1.4 獨(dú)立性假設(shè)和樸素貝葉斯方法
1.5 樸素貝葉斯的不足
如何自動(dòng)發(fā)現(xiàn)新詞
二:機(jī)器學(xué)習(xí)典型方法
2.1 線性回歸
2.2 梯度下降法和牛頓法
2.3 支持向量機(jī)
2.4 無(wú)監(jiān)督學(xué)習(xí)
2.5 EM算法直觀體驗(yàn)
2.6 馬爾科夫理論練習(xí):
實(shí)現(xiàn)一個(gè)信用評(píng)級(jí)模型
三:自然語(yǔ)言理解的基礎(chǔ)
3.1 分詞
3.2 詞性和命名實(shí)體標(biāo)注
3.3 句法分析
3.4 語(yǔ)言模型練習(xí):
分別用普通語(yǔ)料和金融領(lǐng)域語(yǔ)料實(shí)現(xiàn)語(yǔ)言模型,體會(huì)其效果區(qū)別
四:自然語(yǔ)言處理經(jīng)典任務(wù)
4.1 詞的共現(xiàn)和相關(guān)
4.2 文本分類和聚類
4.3 信息檢索
4.4 意圖識(shí)別
4.5 情感分析
4.6 自動(dòng)問(wèn)答
實(shí)現(xiàn)一個(gè)酒店評(píng)論分類模型
五:人工智能的重要基礎(chǔ):神經(jīng)網(wǎng)絡(luò)
5.1 神經(jīng)網(wǎng)絡(luò)能做什么
5.2神經(jīng)網(wǎng)絡(luò)有什么不同
5.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
5.4 反向傳播的原理和問(wèn)題
5.5 CNN和RNN
5.6 深度學(xué)習(xí)的一些有趣任務(wù)(詞向量、語(yǔ)言模型等)
六:深度學(xué)習(xí)實(shí)踐體驗(yàn)
6.1 python介紹6.2 tensorflow介紹
6.3 大數(shù)據(jù)與深度學(xué)習(xí)練習(xí):
閱讀ANN實(shí)現(xiàn)手寫識(shí)別模型的代碼,并嘗試增加一層網(wǎng)絡(luò)實(shí)驗(yàn)效果
1. 你的部門如何更好的使用NLP—頭腦風(fēng)暴
2. 使用場(chǎng)景模擬
3. NLP方案設(shè)計(jì)