NLP系统精讲与大厂案例落地实战「高清原画」

第1章 课程介绍/

[ 56M] 1-1课程目标

[ 32M] 1-2学习NLP对你有什么帮助

[ 59M] 1-3课程重难点

[ 17M] 1-4学习建议

第2章 语言学与自然语言处理/

[ 22M] 2-1本章导学

[ 32M] 2-2语言的产生：语音、词汇、语法

[ 36M] 2-3踏上NLP之旅：什么是自然语言

[ 36M] 2-4中文自然语言处理为什么这么难

[ 24M] 2-5自然语言处理能解决哪些问题

[ 46M] 2-6聊一聊自然语言处理发展史

[ 35M] 2-7自然语言处理学习路径

[ 19M] 2-8本章小结

第3章 从数学原理到机器学习/

[ 17M] 3-1本章导学

[ 33M] 3-2现代自然语言处理的基石-概率论知识介绍

[ 66M] 3-3概率论基础：贝叶斯和信息理论

[ 37M] 3-4基于概率统计的模型采样知识

[ 57M] 3-5从理论走向实践：机器学习是怎么回事（一）

[ 13M] 3-6从理论走向实践：机器学习是怎么回事（二）

[ 38M] 3-7寻找重要的信息：降维方法

[ 64M] 3-8从已知结果中学习未知问题-分类和回归

[ 51M] 3-9如何让数据本身分类-聚类算法介绍

@it资源ukoou.com

[ 60M] 3-10测定模型结果的方法-评估指标

[ 36M] 3-11过去进行式：文本分析流程1

[ 13M] 3-12过去进行式：文本分析流程2

[ 20M] 3-13中文处理的第一个难题：分词

[ 51M] 3-14词语的处理：独热编码和词嵌入表示

[ 13M] 3-15本章小结

第4章 由简单单元构建复杂神经网络/

[ 19M] 4-1本章导学

[ 29M] 4-2搭积木式的组合变换-激活函数和神经网络思想

[ 38M] 4-3神经网络的演进：梯度与反向传播

[ 36M] 4-4神经网络中我们可以参与的部分-超参数

[ 16M] 4-5优化器和学习率

[ 26M] 4-6提高模型效果的方法：归一化

[ 23M] 4-7构建线性模型解决温度计示数转换问题

[ 61M] 4-8使用深度学习模型解决温度计示数问题（一）

[ 26M] 4-9使用深度学习模型解决温度计示数问题（二）

[ 18M] 4-10本章小结