文本特征提取的常用方法-Word2Vec实践

《老钱------AI实战训练营的系列课程》= 多个案例学习《文本向量化》

     文本情感分析一直是NLP领域的热门应用，常用在舆情分析，文章分类，智能客服等多个场景。本课程以案例驱动出发。结合多个项目实战案例，协助学习者迅速学习文本向量化项目。多面覆盖经典的场景，如地名提取，病例命名实体提取，覆盖多种算法，如LDA,LSA,Word2Vec,TFIDF, PLSA等

  课程特色：   

          1.案例驱动：专题技术，完整案例；

          2.源码操作：内含完整程序源码和数据集；

          3.实战指引：覆盖《文本向量化》四大过程模型；

          4.系统学习：一套完整的《文本向量化》建设方法论，迅速学习文本向量化的开发过程。

     适合人群：

         1. 想要从事NLP的在校学生、NLP研发工程师、NLP产品经理，想要转型NLP的IT老兵。

         2.具备Python基础，熟悉机器学习的基础理论

         3.具备自然语言处理的基础知识

  课程大纲：

文本相似度

1. 文本特征提取原理概述

1.1.     什么是特征提取：。

1.2.     为什么要进行特征提取： 

1.3.     常见的特征提取思路及对比:布尔模型（0/1 ，，存在就是1，不存在就是0，举例。）、空间向量模型（通过一定的规则或者方法将文本映射到向量空间上，常见的有两种：1-基于布尔型，2-基于词频的）、主题模型（tf-idf，lsa，lda）、深度学习模型（word2vec、cnn）。

1.4.     特征提取方法之-布尔模型

1.5.     特征提取方法之-空间向量模型

1.6.     特征提取方法之-主题模型

1.7.     特征提取方法之-主题模型之tf-idf

1.7.1      tf-idf原理

1.7.2      tf-idf环境准备：

1.7.3      tf-idf代码实现

1.7.4      论文

1.8.     特征提取方法之-布尔模型之LSA

1.8.1 LSA原理详解

1.8.2 LSA环境搭建

python3.x 

gensim

jieba （conda install -c conda-forge jieba）

1.8.3 LSA代码实现

1.8.4 参考论文

1.9. 特征提取方法之-布尔模型之LDA

1.9.1 LDA原理

1.9.2 LDA环境搭建

1.9.3 LDA代码实现

1.9.4 参考论文

1.10.  特征提取方法之-深度学习模型原理

1.11.  特征提取方法之-深度学习模型-word2vec

word2vec是google在2013年推出的一个NLP工具。它可以将所有的词向量化。

1.11.1 word2vec原理

1.11.2 word2vec环境搭建

1.11.3 word2vec代码实现

1.11.4 参考论文