小象学院：《自然语言处理》第二期（视频+资料）

本套课程由小象学院出品：《自然语言处理》第二期，官网售价699元，由秦曾昌老师主讲。语言是人类区别其他动物的本质特性，只有人类能够用语言表达自己的想法。用自然语言与计算机进行通信，这是人们长期以来所追求的，那如何才能将它们联系起来呢？自然语言如何进行处理呢？学习本套课程你将收获到语言模型、语言技术、神经语言模型、循环神经网络、机器翻译等，更多技能需要自己通过学习才能解锁喔，本套课程共22个章节， 包含课程视频与源码资料，课程文件大小总计1.94G，文章底部附下载链接。

如果对人工智能和AI比较感兴趣的同学，也可以学习一下AI人工智能高级实战工程师就业课程（源码+视频）

课程文件目录：

C-129：《自然语言处理》第二期

01-第1章：自然语言与数学之美

1.1 课程简介及推荐书目

1.10 凸集合和凸函数

1.2 NLP的研究领域及应用

1.3 自然语言的6个重要术语

1.4 语言学的发展史 1

1.5 语言学的发展史 2

1.6 语言学的发展史 3

1.7 函数

1.8 向量与向量的模

1.9 矩阵和矩阵运算

02-第2章：基于机器学习方法的自然语言处理

2.1 主观概率和客观概率

2.10 辛普森悖论和贝叶斯概率解题实例

2.2 概率模型与条件概率

2.3 贝叶斯原理与推理

2.4 随机变量：二项式概率

2.5 随机变量：期望与方差

2.6 随机变量：联合概率

2.7 伯努利分布和二项式分布

2.8 多项式分布、伽玛分布和Beta分布

2.9 泊松分布、高斯分布、对数正态分布和指数分布

03-第3章：1、2章答疑

第一周答疑

04-第4章：自然语言

3.1 语言的进化：来自自然选择的社会协作

3.2 语言的进化：语言游戏与摩斯密码

3.3 语言与智能：信息熵

3.4 语言与智能：交叉熵的定义

3.5 语义的进化

3.6 语言模型：语言概率

3.7 词袋模型

3.8 二元语言模型：CR情感分析

05-第5章：语言模型和中文分词

4.1 三元语言模型

4.10 N-Gram模型

4.11 Optimal Path 最优路径模型

4.12 中文分词工具：Jieba

4.2 语言模型评价：交叉熵

4.3 语言模型评价：Perplexity(困惑度）

4.4 语言评价模型：Interpolation(插值法)

4.5 概率模型：垃圾邮件分类

4.6 概率模型：拼写检查

4.7 语音模型和机器翻译模型

4.8 中文构词法

4.9 最大化匹配

06-第6章：第二周答疑

第二周答疑

07-第7章：语言技术-词表达和Word2Vec

5.1 词表达

5.10 Word2Vec-Part 3

5.2 语义相似度

5.3 TF-IDF权重处理

5.4 One-Hot表达

5.5 神经网络基础

5.6 神经网络：反向传播 1

5.7 神经网络：反向传播 2

5.8 Word2Vec-Part 1

5.9 Word2Vec-Part 2

08-第8章：语言技术-词性

6.1 什么是词性标注（POS Tagging）

6.10 混合模型详解5：隐马尔科夫模型

6.2 词性标注的方法

6.3 词性的标注类别和标注集

6.4 规则标注和N-Gram方法

6.5 从混合模型到HMM

6.6 混合模型详解1：EM模型

6.7 混合模型详解2：EM模型

6.8 混合模型详解3：高斯混合模型

6.9 混合模型详解4：隐马尔可夫模型

09-第9章：第三周答疑

第三周答疑

10-第10章：语言技术-概率图模型

7.1 概率图模型：贝叶斯网络（有向无环图）

7.2 概率图模型：分层图模型

7.3 概率图模型：隐马尔科夫链

7.4 隐马尔可夫模型的推导 1

7.5 隐马尔科夫模型的推导 2

7.6 隐马尔科夫模型的推导 3

7.7 隐马尔科夫模型的推导 4

7.8 PLSA主题模型1

7.9 PLSA主题模型 2

11-第11章：语言技术-文本与LDA主题模型

8.1 向量表达和潜在语义索引（LSI）

8.10 实验报告：文本语义相似度

8.11 延展实验：主题模型引入字词关系的实现

8.12 实验总结

8.2 LDA和狄利克雷分布

8.3 LDA主题模型

8.4 主题模型的深化与对比

8.5 语义距离（Semantic Distance）

8.6 中文LDA模型：Word-base 和 Character-Base

8.7 实验报告：困惑度（Perplexity）

8.8 实验报告：文本分类准确度

8.9 中英双语料库实验

12-第12章：第四周答疑

第四周答疑

13-第13章：语言技术-句法

9.1 上下文无关句法（CFG）-Part 1

9.2 上下文无关句法（CFG）-Part 2

9.3 概率上下文无关句法（PCFG）- Part 1

9.4 概率上下文无关句法（PCFG）-Part 2

9.5 概率上下文无关句法（PCGF）-Part 3

14-第14章：机器翻译

10.1 机器翻译（Machine Translation）-Part 1

10.2 机器翻译（Machine Translation）-Part 2

10.3 机器翻译（Machine Translation）-Part 3

10.4 机器翻译（Machine Translation）-Part 4

10.5 机器翻译（Machine Translation）-Part 5

10.6 机器翻译（Machine Translation）-Part 6

15-第15章：第五周答疑

第五周答疑

16-第16章：卷积神经网络CNN

11.1 神经元

11.2 全连接网络及特性

11.3 Auto-Encode 自编码器

11.4 反向传播（BP）

11.5 卷积神经网络（CNN）的理解

11.6 CNN的基本原理：卷积核、权重和池化

11.7 CNN的计算过程

11.8 CNN如何应用在自然语言处理中

17-第17章：循环神经网络RNN

12.1 循环神经网络的基本原理

12.2 Elman Network和Jordan Networ

12.3 LSTM的核心思想

12.4 LSTM的分步实现详解

12.5 Encoder-Decoder 框架

12.6 Seq2Seq 模型

12.7 注意力机制（Attention Mechanism）

18-第18章：第六周答疑

第六周答疑

19-第19章：注意力机制

13.1 注意力机制产生的背景回顾

13.2 注意力模型的实现原理

13.3 注意力模型的应用领域

13.4 记忆网络（Memory Network）的组成

13.5 记忆网络的计算过程和实现方法

13.6 匹配函数（Match Function）

13.7 注意力模型的延展1：Neural Programmer

13.8 注意力模型的延展2：神经图灵机

20-第20章：广义模型（Universal Transformer)

14.1 UT的典型结构：Stack of Encoder and Decoder

14.2 Self-Attention的计算

14.3 Multi-Head Attention 和前向反馈神经网络FFNN

14.4 位置编码（Positional Encoding）

14.5 层泛化（Lay Normalization）

14.6 Softmax Layer：交叉熵和损失函数的计算

14.7 ACT模型（Adaptive Computation Time）

14.8 Universal Transformer 的完整实现流程

21-第21章：第七周答疑

第七周答疑

22-第22章：自然语言研究的未来方向

15.1 自然语言研究可行方向：知识图谱与深度学习的结合

15.2 语义关系计算与知识库

15.3 知识库推理学习：Neural Tensor Network

15.4 跨媒体信息搜索：CMIR

15.5 文本图卷积网络（Text GCN）

15.6 NLP未来的探索方向

资料