文件清单 112 项

• 1-1 课程目标.mp4
• 1-2 学习NLP对你有什么帮助.mp4
• 1-3 课程重难点.mp4
• 1-4 学习建议.mp4
• 2-1 本章导学.mp4
• 2-2 语言的产生:语音,词汇,语法.mp4
• 2-3 踏上NLP之旅:什么是自然语言.mp4
• 2-4 中文自然语言处理为什么这么难.mp4
• 2-5 自然语言处理能解决哪些问题.mp4

展开全部 112 项

• 2-6 聊一聊自然语言处理发展史.mp4
• 2-7 自然语言处理学习路径.mp4
• 2-8 本章小结.mp4
• 3-1 本章导学.mp4
• 3-2 现代自然语言处理的基石-概率论知识介绍.mp4
• 3-3 概率论基础:贝叶斯和信息理论.mp4
• 3-4 基于概率统计的模型采样知识.mp4
• 3-5 从理论走向实践:机器学习是怎么回事(一).mp4
• 3-6 从理论走向实践:机器学习是怎么回事(二).mp4
• 3-7 寻找重要的信息:降维方法.mp4
• 3-8 从已知结果中学习未知问题-分类和回归.mp4
• 3-9 如何让数据本身分类-聚类算法介绍.mp4
• 3-10 测定模型结果的方法-评估指标.mp4
• 3-11 过去进行式:文本分析流程1.mp4
• 3-12 过去进行式:文本分析流程2.mp4
• 3-13 中文处理的第一个难题:分词.mp4
• 3-14 词语的处理:独热编码和词嵌入表示.mp4
• 3-15 本章小结.mp4
• 4-1 本章导学.mp4
• 4-2 搭积木式的组合变换-激活函数和神经网络思想.mp4
• 4-3 神经网络的演进:梯度与反向传播.mp4
• 4-4 神经网络中我们可以参与的部分-超参数.mp4
• 4-5 优化器和学习率.mp4
• 4-6 提高模型效果的方法:归一化.mp4
• 4-7 构建线性模型解决温度计示数转换问题.mp4
• 4-8 使用深度学习模型解决温度计示数问题(一).mp4
• 4-9 使用深度学习模型解决温度计示数问题(二).mp4
• 4-10 本章小结.mp4
• 5-1 本章导学.mp4
• 5-2 文本预处理魔法:分词,停用词和特殊字符消失术.mp4
• 5-3 让计算机读懂汉语:用数值表示文本.mp4.mp4
• 5-4 基于python的文本预处理封装.mp4
• 5-5 改变NLP宇宙的词嵌入技术,word2vec让文本也可以互相运算.mp4
• 5-6 内容理解中最常见的分类问题,给文本打标签.mp4
• 5-7 自然语言处理中的序列标注问题,发现特定的词语.mp4
• 5-8 语言模型的演进,从定向任务到通用模型,让NLP日趋成熟.mp4
• 5-9 注意力机制,让模型能够关注重要内容,Attention is all your need.mp4
• 5-10 读懂微调 (finetune),通过小成本改变让模型具备强大的专业能力.mp4
• 5-11 生成式AI崛起,像人类一样对话.mp4
• 5-12 自然语言处理中常见的评价指标-AUC,BLEU,ROUGE等等有什么区别.mp4
• 5-13 高手的秘密,构建丰富的语料库和精选数据集.mp4
• 5-14 NLP常用工具介绍,如何站在巨人的肩膀上快速开始我们的工作-anaconda,NLTK,jieba,gensim,scikit-learn.mp4
• 5-15 本章小结.mp4
• 6-1 本章导学.mp4
• 6-2 互联网公司为什么要做内容理解工作.mp4
• 6-3 自然语言处理如何在内容理解体系中发挥作用(一).mp4
• 6-4 自然语言处理如何在内容理解体系中发挥作用(二).mp4
• 6-5 新闻APP标准文本如何面向推荐系统构建内容理解体系(一).mp4
• 6-6 新闻APP标准文本如何面向推荐系统构建内容理解体系(二).mp4
• 6-7 融合了多种内容类型的马蜂窝旅行内容理解如何配合运营体系运转(一).mp4
• 6-8 融合了多种内容类型的马蜂窝旅行内容理解如何配合运营体系运转(二).mp4
• 6-9 内容理解在点评UGC场景下辅助风险控制(一).mp4
• 6-10 内容理解在点评UGC场景下辅助风险控制(二).mp4
• 6-11 京东电商下的内容理解与智能创意(一).mp4
• 6-12 京东电商下的内容理解与智能创意(二).mp4
• 6-13 本章小结.mp4
• 7-1 本章导学.mp4
• 7-2 文本相似度检测的类型:长文本短文本,词语句子段落,字符级语义级.mp4
• 7-3 在内容理解体系中,相似度检测可以解决哪些问题.mp4.mp4
• 7-4 文本相似度检测的效果评估.mp4.mp4
• 7-5 使用编辑距离计算词或短语级的文本相似度.mp4
• 7-6 使用SIMHASH算法实现海量长文本的相似度计算.mp4
• 7-7 使用word2vec解决语义级别的短文本相似问题.mp4
• 7-8 本章小结.mp4
• 8-1 本章导学.mp4
• 8-2 实体识别能够帮助我们解决哪些问题.mp4
• 8-3 在内容理解体系中借助实体识别搭建基础能力.mp4
• 8-4 为实体识别的结果构建评价方案时有哪些可用的指标.mp4
• 8-5 了解序列建模的基本模型:循环神经网络(RNN)在自然语言处理中如何发挥作用.mp4
• 8-6 延长网络的记忆,长短时记忆网络(LSTM)都对RNN做了哪些改进.mp4
• 8-7 从规则到概率,条件随机场CRF算法帮助网络模型认识一般规律.mp4
• 8-8 -1 实体识别代码实战:ner_bert_lstm_crf.mp4
• 8-9 -2 实体识别代码实战:ner_bert_lstm_crf.mp4
• 8-10 -3 实体识别代码实战:ner_bilstm_crf.mp4
• 8-11 本章小结.mp4
• 9-1 本章导学.mp4
• 9-2 内容理解中应用最广泛的文本分类有哪些类型.mp4
• 9-3 如何在内容理解体系搭建中借助文本分类的力量.mp4
• 9-4 文本分类任务效果的评估-离线指标,人工测评,线上效果.mp4
• 9-5 文本分类的一个重要应用-情感分析在内容平台的实践.mp4
• 9-6 卷积神经网络基础知识.mp4
• 9-7 处理情感分类的数据集并搭建卷积网络1.mp4
• 9-8 处理情感分类的数据集并搭建卷积网络2.mp4
• 9-9 动手实践:使用word2vec为数据集构建词向量,并根据词向量寻找相似词.mp4
• 9-10 使用基于word2vec的fasttext工具来解决文本分类的问题.mp4
• 9-11 Transformer的衍生品BERT模型如何应用于文本分类.mp4
• 9-12 -1 内容理解体系中构建多级多标签分类会遇到哪些困难.mp4
• 9-13 -2 内容理解体系中构建多级多标签分类会遇到哪些困难.mp4
• 9-14 -1在实际工作中我们该如何为分类任务准备数据.mp4
• 9-15 -2在实际工作中我们该如何为分类任务准备数据.mp4
• 9-16 为我们的企业级分类任务的设计一个可扩展,易调整的算法架构.mp4
• NLP系统精讲与大厂案例落地实战,吃透内容理解体系/
• 第1章 课程介绍/
• 第2章 语言学与自然语言处理/
• 第3章 从数学原理到机器学习/
• 第4章 由简单单元构建复杂神经网络/
• 第5章 如何用机器学习能力解决自然语言处理问题/
• 第6章 互联网公司如何搭建内容理解体系/
• 第7章 文本相似度检测在内容理解体系中的应用/
• 第8章 实体识别在内容理解体系中的应用/
• 第9章 文本分类任务在内容理解体系中的应用/
• 第10章 文本提取或生成任务实战/
• 第11章 NLP未来展望与课程总结/