自然语言处理应用与实战
掌握NLP关键技术，赋能您的AI技术实践之路
深入浅出的理论与实践结合- 覆盖基础到高级应用技能
- 丰富的实战案例教学
- 专业框架和预训练模型应用
第一阶段
自然语言处理实战及应用
自然语言处理的基础技术和核心技术，首先介绍NLP相关概念和基本技能，其次介绍了基于机器学习的算法实现NLP的核心任务，如基于Baye的算法的中午文本分类，新闻文基于N-Gram模型的文本预测等。
第二阶段
自然语言处理实战及进阶应用
详细介绍自然语言处理的核心技术。首先介绍文本向量的分布式表示方法，然后介绍了深度学习框架Pytorch的基本使用，最后介绍了基于深度学习算法实现文本分类算法。
第三阶段
自然语言处理实战及高级应用
首先介绍NLP中的序列标注任务，然后介绍基于预训练模型实现NLP的核心任务。基于Transformer的文本分类，基于BERT的相似度计算、基于ALBERT的命名实体识别，基于ERNIE的情感分析等。
| 资料名称 | 文件大小 |
|---|---|
| 01_人工智能概述 | 22.24M |
| 02 生成式人工智能（基于ChatGPT的应用） | 45.55M |
| 01-03_code | 1,865.94M |
| 自然语言处理_unit01_自然语言处理概述 | 1.37M |
| 自然语言处理_unit02_自然语言处理发展历程 | 1.21M |
| 自然语言处理_unit03_自然语言处理研究内容 | 1.06M |
| 自然语言处理_unit04_自然语言处理的主要挑战 | 1.46M |
| 自然语言处理_unit05_文本数据处理 | 541.21KB |
| 自然语言处理_unit06_词向量基础 | 1.60M |
| 自然语言处理_unit07_词向量模型 | 1.01M |
| 自然语言处理_unit08_神经网络语言模型 | 1,013.62KB |
| 自然语言处理_unit09_分布式词向量模型 | 1.32M |
| 自然语言处理_unit10_中文词向量训练(一) | 1.03M |
| 自然语言处理_unit11_中文词向量训练(二) | 592.14KB |
| 自然语言处理_unit12_词向量总结 | 836.89KB |
| 自然语言处理_unit13_关键词提取概述 | 558.74KB |
| 自然语言处理_unit14_关键词提取综合案例 | 538.63KB |
| 自然语言处理_unit15_朴素贝叶斯分类算法 | 1.01M |
| 自然语言处理_unit16_朴素贝叶斯案例分析 | 645.23KB |
| 自然语言处理_unit17_朴素贝叶斯中文文本分类 | 1,020.65KB |
| 自然语言处理_unit18_朴素贝叶斯中文分类实战 | 807.09KB |
| 自然语言处理_unit19_ngram语言模型 | 611.35KB |
| 自然语言处理_unit20_ngram综合案例 | 526.45KB |
| 资料名称 | 文件大小 |
|---|---|
| 02-03_code | 93.34M |
| 04 文本向量的分布式表示方法 | 1.39M |
| 中文词向量训练 | 316.20KB |
| 自然语言处理_unit12_词向量总结 | 836.89KB |
| 自然语言处理_unit21_Pytorch的安装和使用 | 559.94KB |
| 自然语言处理_unit22_梯度下降与反向传播 | 757.77KB |
| 自然语言处理_unit23_Pytorch中的数据加载 | 586.84KB |
| 自然语言处理_unit24_FastText概述 | 482.73KB |
| 自然语言处理_unit25_FastText中文文本分类 | 517.63KB |
| 自然语言处理_unit26_卷积运算 | 720.59KB |
| 自然语言处理_unit27_卷积神经网络概述 | 653.32KB |
| 自然语言处理_unit28_TextCNN的原理和实现 | 583.32KB |
| 自然语言处理_unit29_基于TextCNN的中文文本分类(一) | 748.71KB |
| 自然语言处理_unit30_基于TextCNN的中文文本分类(二) | 697.99KB |
| 自然语言处理_unit31_基于TextCNN的中文文本分类(三) | 693.04KB |
| 自然语言处理_unit32_基于TextCNN的中文文本分类(四) | 662.28KB |
| 自然语言处理_unit33_循环神经网络RNN | 584.52KB |
| 自然语言处理_unit34_长短时记忆神经网络 | 658.38KB |
| 自然语言处理_unit35_基于TextRNN的中文文本分类 | 556.36KB |
| 自然语言处理_unit36_门控循环单元结构 | 616.73KB |
| 自然语言处理_unit37_基于TextRCNN的中文文本分类 | 692.80KB |
| 自然语言处理_unit38_基于注意力的BiLSTM中文文本分类 | 505.65KB |
| 资料名称 | 文件大小 |
|---|---|
| 03-03_code | 558.68M |
| 自然语言处理_unit41_隐马尔可夫模型概述 | 705.44KB |
| 自然语言处理_unit39_基于HMM模型的词性标注 | 579.48KB |
| 自然语言处理_unit40_命名实体识别概述 | 1.04M |
| 自然语言处理_unit42_命名实体识别数据预处理(一) | 708.41KB |
| 自然语言处理_unit43_命名实体识别数据预处理(二) | 486.33KB |
| 自然语言处理_unit44_命名实体识别数据预处理(三) | 528.73KB |
| 自然语言处理_unit45_基于HMM模型的命名实体识别(一) | 600.71KB |
| 自然语言处理_unit46_基于HMM模型的命名实体识别(二) | 574.60KB |
| 自然语言处理_unit47_基于HMM模型的命名实体识别(三) | 519.12KB |
| 自然语言处理_unit48_基于BiLSTM的命名实体识别数据读取 | 501.67KB |
| 自然语言处理_unit49_基于BiLSTM的命名实体识别模型构建 | 629.22KB |
| 自然语言处理_unit50_基于BiLSTM的命名实体识别模型训练和评估 | 578.70KB |
| 自然语言处理_unit51_基于BiLSTM的命名实体识别模型预测 | 510.69KB |
| 自然语言处理_unit52_预训练模型概述 | 688.17KB |
| 自然语言处理_unit53_基于ALBERT的命名实体识别数据处理 | 515.02KB |
| 自然语言处理_unit54_基于ALBERT的命名实体识别模型训练和评估 | 517.22KB |
| 自然语言处理_unit55_Transformer概述 | 794.87KB |
| 自然语言处理_unit56_多头注意力机制 | 718.78KB |
| 自然语言处理_unit57_注意力机制 | 744.69KB |
| 自然语言处理_unit58_位置编码和LayerNormalization | 905.70KB |
| 自然语言处理_unit59_基于BERT的文本相似度计算(一) | 549.09KB |
| 自然语言处理_unit60_基于BERT的文本相似度计算(二) | 555.01KB |
| 自然语言处理_unit61_文本情感分类(一) | 893.00KB |
| 自然语言处理_unit62_文本情感分类(二) | 561.41KB |
| 自然语言处理_unit63_基于ERNIE的中文情感分析(一) | 576.74KB |
| 自然语言处理_unit64_基于ERNIE的中文情感分析(二) | 555.15KB |
{{ starInfo.score }}
下载Android客户端
下载iphone 客户端
关注官方微信
