Ai工程师-自然语言处理实战

Ai工程师-自然语言处理实战

唐宇迪

唐宇迪,计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战专家。参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验。

  • 课程目录
  • 课程介绍
  • 课时1:课程简介

  • 课时2:环境配置

  • 课时3:数据代码下载(需要PC登录,点击左下角参考目录)

  • 课时4:Python字符串处理

  • 课时5:正则表达式基本语法

  • 课时6:正则常用符号

  • 课时7:常用函数介绍

  • 课时8:NLTK工具包简介

  • 课时9:停用词过滤

  • 课时10:词性标注

  • 课时11:数据清洗实例

  • 课时12:Spacy工具包

  • 课时13:名字实体匹配

  • 课时14:恐怖袭击文本资料分析

  • 课时15:统计分析结果

  • 课时16:结巴分词器

  • 课时17:词云展示

  • 课时18:Pandas概述(本章代码在参考资料)

  • 课时19:Pandas基本操作

  • 课时20:Pandas索引

  • 课时21:groupby操作

  • 课时22:数值运算

  • 课时23:对象操作

  • 课时24:对象操作2

  • 课时25:merge操作

  • 课时26:显示设置

  • 课时27:数据透视表

  • 课时28:时间操作

  • 课时29:时间序列操作

  • 课时30:Pandas常用操作

  • 课时31:Pandas常用操作2

  • 课时32:Groupby操作延伸

  • 课时33:字符串操作

  • 课时34:索引进阶

  • 课时35:Pandas绘图操作

  • 课时36:大数据处理技巧

  • 课时37:任务概述

  • 课时38:商品类别划分

  • 课时39:商品类别可视化展示

  • 课时40:描述长度对价格的影响

  • 课时41:词云展示

  • 课时42:tf-idf结果

  • 课时43:降维可视化展示

  • 课时44:聚类与主题模型

  • 课时45:贝叶斯算法概述

  • 课时46:贝叶斯推导实例

  • 课时47:贝叶斯拼写纠错实例

  • 课时48:垃圾邮件过滤实例

  • 课时49:贝叶斯实现拼写检查器

  • 课时50:文本分析与关键词提取

  • 课时51:相似度计算

  • 课时52:新闻数据与任务简介

  • 课时53:TF-IDF关键词提取

  • 课时54:LDA建模

  • 课时55:基于贝叶斯算法进行新闻分类

  • 课时56:马尔科夫模型

  • 课时57:隐马尔科夫模型基本出发点

  • 课时58:组成与要解决的问题

  • 课时59:暴力求解方法

  • 课时60:复杂度计算

  • 课时61:前向算法

  • 课时62:前向算法求解实例

  • 课时63:Baum-Welch算法

  • 课时64:参数求解

  • 课时65:维特比算法

  • 课时66:hmmlearn工具包

  • 课时67:工具包使用方法

  • 课时68:中文分词任务

  • 课时69:实现中文分词

  • 课时70:深度学习概述

  • 课时71:挑战与常规套路

  • 课时72:用K近邻来进行分类

  • 课时73:超参数与交叉验证

  • 课时74:线性分类

  • 课时75:损失函数

  • 课时76:正则化惩罚项

  • 课时77:softmax分类器

  • 课时78:最优化形象解读

  • 课时79:最优化问题细节

  • 课时80:反向传播

  • 课时81:整体架构

  • 课时82:实例演示

  • 课时83:过拟合解决方案

  • 课时84:语言模型

  • 课时85:N-gram模型

  • 课时86:词向量

  • 课时87:神经网络模型

  • 课时88:Hierarchical Softmax

  • 课时89:CBOW模型实例

  • 课时90:CBOW求解目标

  • 课时91:锑度上升求解

  • 课时92:负采样模型

  • 课时93:使用Gensim库构造词向量

  • 课时94:维基百科中文数据处理

  • 课时95:Gensim构造word2vec模型

  • 课时96:测试模型相似度结果

  • 课时97:影评情感分类

  • 课时98:基于词袋模型训练分类器

  • 课时99:准备word2vec输入数据

  • 课时100:使用gensim构建word2vec词向量

  • 课时101:任务概述

  • 课时102:词袋模型

  • 课时103:词袋模型分析

  • 课时104:TFIDF模型

  • 课时105:word2vec词向量模型

  • 课时106:深度学习模型

  • 课时107:递归神经网络(RNN)概述

  • 课时108:RNN网络细节

  • 课时109:LSTM网络架构

  • 课时110:卷积神经网络的应用

  • 课时111:卷积层解释

  • 课时112:卷积计算过程

  • 课时113:pading与stride

  • 课时114:卷积参数共享

  • 课时115:池化层原理

  • 课时116:Tensorflow简介与安装

  • 课时117:Tensorflow中的变量

  • 课时118:变量常用操作

  • 课时119:实现线性回归算法

  • 课时120:Mnist数据集简介

  • 课时121:逻辑回归算法

  • 课时122:神经网络结构

  • 课时123:卷积网络结构基本定义

  • 课时124:卷积神经网络迭代

  • 课时125:Cifar-10图像分类任务

  • 课时126:RNN网络基本架构

  • 课时127:实现RNN网络架构

  • 课时128:3RNN实现自己的小demo

  • 课时129:RNN预测时间序列

  • 课时130:CNN应用于文本分类任务

  • 课时131:文本分类任务特征定义

  • 课时132:卷积网络定义

  • 课时133:完成预测分类任务

  • 课时134:RNN网络架构

  • 课时135:LSTM网络架构

  • 课时136:使用LSTM进行情感分类

  • 课时137:情感数据集处理

  • 课时138:基于word2vec的LSTM模型

  • 课时139:任务概述

  • 课时140:数据展示

  • 课时141:正负样本制作

  • 课时142:数据预处理

  • 课时143:网络模型定义

  • 课时144:基于字符的训练

  • 课时145:基于句子的相似度训练

  • 课时146:Seq2Seq网络基本架构

  • 课时147:Seq2Seq网络应用

  • 课时148:Seq2Seq基本模型

  • 课时149:Attention机制

  • 课时150:效果演示

  • 课时151:参数配置与数据加载

  • 课时152:数据处理

  • 课时153:词向量与投影

  • 课时154:seq网络

  • 课时155:网络训练

  • 课时156:数据准备

  • 课时157:网络结构概述

  • 课时158:加载数据

  • 课时159:训练测试模型

  • 课时160:任务概述与环境配置

  • 课时161:参数配置

  • 课时162:数据预处理模块

  • 课时163:batch数据制作

  • 课时164:RNN模型定义

  • 课时165:完成训练模块

  • 课时166:训练唐诗生成模型

  • 课时167:测试唐诗生成效果

  • 课时168:机器翻译框架概述

  • 课时169:参数设置

  • 课时170:数据加载

  • 课时171:网络结构定义

  • 课时172:训练模型

  • 课时173:时间序列模型

  • 课时174:网络结构与参数定义

  • 课时175:构建LSTM模型

  • 课时176:训练模型与效果展示

  • 课时177:多序列预测结果

  • 课时178:股票数据预测

  • 课时179:数据预处理

  • 课时180:预测结果展示

  • 课时181:文本数据读取预处理

  • 课时182:基本模型

  • 课时183:Embeeding-layer效果

  • 课时184:准备词向量数据

  • 课时185:词嵌入训练结果

  • 课时186:加入LSTM层效果

  • 课时187:加入卷积层效果

  • 课时188:参数调优

  • 课时189:数据与目标

  • 课时190:字符表制作

  • 课时191:数据读取

  • 课时192:数据增强

  • 课时193:网络模型

  • 课时194:测试效果

  • 课时195:网络模型解读

  • 课时196:数据介绍与读取

  • 课时197:配置文件制作

  • 课时198:编码器模型

  • 课时199:解码器模型

  • 课时200:制作训练batch数据

  • 课时201:测试数据准备

  • 课时202:完成测试模块

  • 课时203:模板目录结构

  • 课时204:模型与训练结构

  • 课时205:评论数据集与任务目标

  • 课时206:数据准备

  • 课时207:模型整体架构

  • 课时208:准备模型

  • 课时209:训练网络

  • 课时210:多标签训练

课程概述

AI工程师-自然语言处理实战课程旨在用最接地气的方式讲解复杂的算法原理,基于真实数据集,通过实际案例进行项目实战。整个体系内容包括200+课时,20个项目实战,完美覆盖当下热门技术与经典框架实战。学习路线主要包括三大阶段:1.掌握Python在自然语言处理领域必备工具包使用方法 2.机器学习与深度学习在NLP领域常用算法原理与应用实践 3.基于经典框架展开项目实战(Tensorflow,Keras)。课程整体风格通俗易懂,实战案例驱动,提供全部课程所需数据,代码,课件。课程会追随热点持续更新,每月初增加一章主流当下项目实战内容。

相关教程

Learnfk - PHP教程

Learnfk - Clojure教程

Learnfk - JUnit教程

Learnfk - CSS教程

Learnfk - 设计模式教程

Learnfk - Laravel8教程

随机推荐

南极人Nanjiren可以入手吗?分析哪款更适合你

戴尔OptiPlex7080内幕透露,最新款

全汉额定600W蓝暴炫动GT600W对比哪款性价比更高,良心点评配置区...

德国进口凌美LAMY钢笔签字笔笔芯评测报告来了!评测值得入手吗

VICTOR威克多羽毛球包评测哪款值得买,冰箱评测质量怎么样!

德国谷格GUGE要注意哪些质量细节!评测下来告诉你坑不坑