《自然语言处理》第二期

课程介绍：

句法分析能帮助机器理解句子中的语义，是智能客服、问答系统的核心技术。本课程从PCFG、依存分析句法、语义依存三个角度讲解了句法分析并以代码落地。

自然语言处理（NLP）是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。

〖课程目录〗:

• | └──5、《自然语言处理》第二期
• | | ├──03-第三章：1、2章答疑
• | | | └──第一周答疑.flv 85.58M
• | | ├──04-第四章：自然语言
• | | | ├──3.1 语言的进化：来自自然选择的社会协作.flv 20.40M
• | | | ├──3.2 语言的进化：语言游戏与摩斯密码.flv 13.31M
• | | | ├──3.3 语言与智能：信息熵.flv 15.22M
• | | | ├──3.4 语言与智能：交叉熵的定义.flv 21.51M
• | | | ├──3.5 语义的进化.flv 20.31M
• | | | ├──3.6 语言模型：语言概率.flv 7.07M
• | | | ├──3.7 词袋模型.flv 10.35M
• | | | └──3.8 二元语言模型：CR情感分析.flv 27.54M
• | | ├──05-第5章：语言模型和中文分词
• | | | ├──4.1 三元语言模型.flv 18.06M
• | | | ├──4.10 N-Gram模型.flv 3.34M
• | | | ├──4.11 Optimal Path 最优路径模型.flv 1.56M
• | | | ├──4.12 中文分词工具：Jieba.flv 8.40M
• | | | ├──4.2 语言模型评价：交叉熵.flv 8.43M
• | | | ├──4.3 语言模型评价：Perplexity(困惑度）.flv 9.47M
• | | | ├──4.4 语言评价模型：Interpolation(插值法).flv 5.13M
• | | | ├──4.5 概率模型：垃圾邮件分类.flv 17.99M
• | | | ├──4.6 概率模型：拼写检查.flv 29.38M
• | | | ├──4.7 语音模型和机器翻译模型.flv 5.43M
• | | | ├──4.8 中文构词法.flv 13.87M
• | | | └──4.9 最大化匹配.flv 3.25M
• | | ├──06-第6章：第二周答疑
• | | | └──第二周答疑.flv 140.36M
• | | ├──07-第7章：语言技术-词表达和Word2Vec
• | | | ├──5.1 词表达.flv 6.30M
• | | | ├──5.10 Word2Vec-Part 3.flv 23.82M
• | | | ├──5.2 语义相似度.flv 12.01M
• | | | ├──5.3 TF-IDF权重处理.flv 5.17M
• | | | ├──5.4 One-Hot表达.flv 5.28M
• | | | ├──5.5 神经网络基础.flv 15.30M
• | | | ├──5.6 神经网络：反向传播 1.flv 9.05M
• | | | ├──5.7 神经网络：反向传播 2.flv 19.26M
• | | | ├──5.8 Word2Vec-Part 1.flv 21.52M
• | | | └──5.9 Word2Vec-Part 2.flv 25.45M
• | | ├──08-第8章：语言技术-词性
• | | | ├──6.1 什么是词性标注（POS Tagging）.flv 7.61M
• | | | ├──6.10 混合模型详解5：隐马尔科夫模型.flv 21.36M
• | | | ├──6.2 词性标注的方法.flv 7.21M
• | | | ├──6.3 词性的标注类别和标注集.flv 9.38M
• | | | ├──6.4 规则标注和N-Gram方法.flv 6.02M
• | | | ├──6.5 从混合模型到HMM.flv 14.31M
• | | | ├──6.6 混合模型详解1：EM模型.flv 32.65M
• | | | ├──6.7 混合模型详解2：EM模型.flv 22.88M
• | | | ├──6.8 混合模型详解3：高斯混合模型.flv 16.78M
• | | | └──6.9 混合模型详解4：隐马尔可夫模型.flv 21.71M
• | | ├──09-第9章：第三周答疑
• | | | └──第三周答疑.flv 28.43M
• | | ├──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）.flv 8.31M
• | | | ├──7.2 概率图模型：分层图模型.flv 4.04M
• | | | ├──7.3 概率图模型：隐马尔科夫链.flv 3.68M
• | | | ├──7.4 隐马尔可夫模型的推导 1.flv 25.84M
• | | | ├──7.5 隐马尔科夫模型的推导 2.flv 25.88M
• | | | ├──7.6 隐马尔科夫模型的推导 3.flv 33.31M
• | | | ├──7.7 隐马尔科夫模型的推导 4.flv 29.12M
• | | | ├──7.8 PLSA主题模型1.flv 11.97M
• | | | └──7.9 PLSA主题模型 2.flv 11.25M
• | | ├──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）.flv 6.56M
• | | | ├──8.10 实验报告：文本语义相似度.flv 5.83M
• | | | ├──8.11 延展实验：主题模型引入字词关系的实现.flv 15.36M
• | | | ├──8.12 实验总结.flv 5.26M
• | | | ├──8.2 LDA和狄利克雷分布.flv 17.13M
• | | | ├──8.3 LDA主题模型.flv 24.67M
• | | | ├──8.4 主题模型的深化与对比.flv 18.30M
• | | | ├──8.5 语义距离（Semantic Distance）.flv 6.84M
• | | | ├──8.6 中文LDA模型：Word-base 和 Character-Base.flv 6.91M
• | | | ├──8.7 实验报告：困惑度（Perplexity）.flv 3.48M
• | | | ├──8.8 实验报告：文本分类准确度.flv 8.13M
• | | | └──8.9 中英双语料库实验.flv 3.45M
• | | ├──12-第12章：第四周答疑
• | | | └──第四周答疑.flv 51.72M
• | | ├──13-第13章：语言技术-句法
• | | | ├──9.1 上下文无关句法（CFG）-Part 1.flv 31.42M
• | | | ├──9.2 上下文无关句法（CFG）-Part 2.flv 30.86M
• | | | ├──9.3 概率上下文无关句法（PCFG）- Part 1.flv 59.30M
• | | | ├──9.4 概率上下文无关句法（PCFG）-Part 2.flv 31.32M
• | | | └──9.5 概率上下文无关句法（PCGF）-Part 3.flv 43.95M
• | | ├──14-第14章：机器翻译
• | | | ├──10.1 机器翻译（Machine Translation）-Part 1.flv 15.03M
• | | | ├──10.2 机器翻译（Machine Translation）-Part 2.flv 18.25M
• | | | ├──10.3 机器翻译（Machine Translation）-Part 3.flv 37.06M
• | | | ├──10.4 机器翻译（Machine Translation）-Part 4.flv 26.51M
• | | | ├──10.5 机器翻译（Machine Translation）-Part 5.flv 34.76M
• | | | └──10.6 机器翻译（Machine Translation）-Part 6.flv 39.90M
• | | ├──15-第15章：第五周答疑
• | | | └──第五周答疑.flv 30.24M
• | | ├──16-第16章：卷积神经网络CNN
• | | | ├──11.1 神经元.flv 5.54M
• | | | ├──11.2 全连接网络及特性.flv 15.85M
• | | | ├──11.3 Auto-Encode 自编码器.flv 6.02M
• | | | ├──11.4 反向传播（BP）.flv 33.44M
• | | | ├──11.5 卷积神经网络（CNN）的理解.flv 7.40M
• | | | ├──11.6 CNN的基本原理：卷积核、权重和池化.flv 11.27M
• | | | ├──11.7 CNN的计算过程.flv 13.47M
• | | | └──11.8 CNN如何应用在自然语言处理中.flv 15.92M
• | | ├──17-第17章：循环神经网络RNN
• | | | ├──12.1 循环神经网络的基本原理.flv 18.03M
• | | | ├──12.2 Elman Network和Jordan Networ.flv 2.64M
• | | | ├──12.3 LSTM的核心思想.flv 11.45M
• | | | ├──12.4 LSTM的分步实现详解.flv 17.15M
• | | | ├──12.5 Encoder-Decoder 框架.flv 15.26M
• | | | ├──12.6 Seq2Seq 模型.flv 24.49M
• | | | └──12.7 注意力机制（Attention Mechanism）.flv 17.27M
• | | ├──18-第18章：第六周答疑
• | | | └──第六周答疑.flv 23.31M
• | | ├──资料
• | | | ├──01第一课：自然语言与数学之美.pdf 2.48M
• | | | ├──02第二课：基于机器学习方法的自然语言处理.pdf 3.54M
• | | | ├──03第三课：自然语言.pdf 2.83M
• | | | ├──03第三课资料 1.pdf 3.55M
• | | | ├──03第三课资料 2.pdf 142.06kb
• | | | ├──03第三课资料 3.pdf 362.29kb
• | | | ├──04第四课：语言模型.pdf 1.05M
• | | | ├──04第四课资料.pdf 1.01M
• | | | ├──05第五课课件(1).pdf 2.77M
• | | | ├──05第五课课件.pdf 2.77M
• | | | ├──06第六课课件.pdf 1.06M
• | | | ├──07第七课课件.pdf 1.61M
• | | | ├──第7课 note.pdf 732.79kb
• | | | ├──第六课 Note.pdf 1.26M
• | | | ├──第十三课 课件.pdf 14.26M
• | | | └──第十一课：循环神经网络.pdf 6.19M
• | | ├──01-第1章：自然语言与数学之美.rar 104.57M
• | | ├──02-第2章：基于机器学习方法的自然语言处理.rar 101.53M
• | | ├──19-第19章：注意力机制.rar 92.95M
• | | ├──20-第20章：广义模型（Universal Transformer).rar 70.50M
• | | ├──21-第21章：第七周答疑.rar 13.21M
• | | └──22-第22章：自然语言研究的未来方向.rar 93.80M

yeyudao普通

收藏 海报 链接