课程简介
本课程将首先介绍自然语言处理的发展现状与挑战，同时，讲解深度学习和自然语言处理的结合应用。除了基本算法外，本课程还配备实践环节，从一些典型的方向：机器翻译、文本分类、问答等。最后，将和大家讨论NLP的行业展望以及和各行各业的结合，比如医疗行业等。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。
课程目录
章节1： NLP和深度学习发展概况和最新动态
1. NLP历史现在及为什么需要学习NLP技术
章节2： NLP与PYTHON编程
3. Python环境搭建及开发工具安装
4. NLP常用PYTHON开发包的介绍
5. Jieba安装、介绍及使用
6. Stanford NLP 在Python环境中安装、介绍及使用
7. Hanlp 在Python环境中安装、介绍及使用
章节3： 快速掌握NLP技术之分词、词性标注和关键字提取
08. 分词、词性标注及命名实体识别介绍及应用
09. 准确分词之加载自定义字典分词
10. 准确分词之动态调整词频和字典
11. 词性标注代码实现及信息提取
12. 人名、地名、机构名等关键命名实体识别
13. TextRank算法原理介绍
14. 基于TextRank关键词提取
章节4： 句法与文法
16. 依存句法与语义依存分析
17. 依存句法树解析（子树遍历，递归搜索，叶子节点提取等）
18. 名词短语块挖掘
19. 自定义语法与CFG
章节5： N-GRAM文本挖掘
20. N-GRAM算法介绍
21. N-GRAM生成词语对
22. TF-IDF算法介绍应用
23. 基于TF-IDF挖掘符合语言规范的N-GRAM
章节6： 表示学习与关系嵌入
24. 语言模型
25. 词向量
26. 深入理解Word2vec算法层次sofmax
27. 深入理解Word2vec算法负采样
28. 6.4 基于Word2vec技术的词向量、字向量训练
章节7： 深度学习之卷积神经网络
29. BP神经网络
30. 彻底理解深度学习指卷积神经网络
31. CNN文本分类
32. CNN文本分类算法模块
33. CNN文本分类模型详解数据预处理
34. CNN文本分类模型测试与部署
章节8： 深度学习之递归神经网络
35. 递归网络
36. LSTM
37. LSTM文本分类原理
38. LSTM文本分类代码架构
39. LSTM文本分类代码详解
40. LSTM文本分类模型预测与部署
章节9： 特定领域命名实体识别NER技术
41. 基于深度学习医药保险命名实体识别课题背景介绍
42. 医药保险命名实体和实体关系体系建立和命名实体分类规范
43. 医药保险命名实体识别相关前沿技术和难点
44. 基于深度学习医药保险命名实体识别的算法模块设计
45. 数据的采集，清洗，数据机器自动标注及转化为深度学习格式
46. 模型本地Lib库封装
47. 部署tensorflow训练好的模型为云服务
48. 算法设计及代码实现
49. 代码调试，参数优化及深度剖析（深入理解）
解压密码：www.mukedaba.com
评论0