人工智能之最新自然語言處理技術(shù)與實戰(zhàn)

l  課程介紹：

自然語言處理(簡稱 NLP)是計算機科學(xué)和人工智能研究的一個重要方向，研究計算機和理解和運用人類語言進行交互的問題，它是集語言學(xué)、機器學(xué)習(xí)、統(tǒng)計學(xué)、大數(shù)據(jù)于一體的綜合學(xué)科。

本課程主要介紹了NLP中的常用知識點：分詞、詞法分析、句法分析、向量化方法、經(jīng)典的NLP機器學(xué)習(xí)算法，還重點介紹了NLP中最近兩年來基于大規(guī)模語料預(yù)訓(xùn)練的詞嵌入模型及應(yīng)用。同時本課程偏重于實戰(zhàn)，不僅系統(tǒng)地介紹了 NLP的知識點，還講解如何實際應(yīng)用和開發(fā)，每章節(jié)都有相應(yīng)的實戰(zhàn)代碼。

l  課程時間：4天

l  學(xué)習(xí)對象

1.希望從事NLP工作的IT技術(shù)人員、開發(fā)人員等。

2.高校、科研院涉及NLP工作的學(xué)生和研究人員。

l  學(xué)習(xí)目標：
1.掌握NLP基礎(chǔ)；
2.分詞；詞法、句法分析
3.文本向量化

4.HMM與CRF

5.基于深度學(xué)習(xí)NLP算法；

6.神經(jīng)語言模型

7.詞嵌入方法

8.基于大規(guī)模語料預(yù)訓(xùn)練的詞嵌入

l  課程大綱

第一天：傳統(tǒng)的NLP

一、NLP基礎(chǔ)知識

1、自然語言處理簡介

2、中文NLP的主要任務(wù)

3、常見的NLP系統(tǒng)

4、NLP的研究機構(gòu)與資源

二、中文分詞

1、基于字符串匹配的分詞

2、統(tǒng)計分詞法與分詞中的消歧

3、命名實體識別

4、常用分詞工具：JIEBA

三、文本的相似性

1、VSM

2、TF-IDF

3、初步情感分析

四、隱馬爾科夫模型

1、形式化定義

2、三個問題

3、評估問題與向前向后算法

4、解碼問題：維特比算法

5、學(xué)習(xí)問題：Baum-Welch算法

五、條件隨機場

1、最大熵原理

2、無向圖模型

3、最大團上的勢函數(shù)

4、工具：CRF

第二天：從傳統(tǒng)到現(xiàn)代

一、從LSA到LDA

1、LSA與SVD分解

2、pLSA

3、LDA

二、神經(jīng)網(wǎng)絡(luò)語言模型

1、維數(shù)的詛咒

2、n-gram語言模型

3、NNLM的具體實現(xiàn)

4、改進的思路

三、word2vec

1、one-hot與Distributed

2、CBOW

3、skip-gram

4、Hierachical Softmax

5、Negative Sampling

四、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

1、RNN的基礎(chǔ)架構(gòu)

2、RNN的示例

3、LSTM

4、GRU

第三天：預(yù)訓(xùn)練模型之一（變形金剛、芝麻街、獨角獸及其他）

一、GloVe

1、與word2vec的區(qū)別

2、統(tǒng)計共現(xiàn)矩陣

3、用GloVe訓(xùn)練詞向量

二、Transformer

1、所有你需要的僅僅是“注意力”

2、Transformer中的block

3、自注意力與多頭注意力

4、位置編碼（為什么可以拋棄RNN）

三、三大特征抽取器的比較

1、CNN、RNN與Transformer的比較

2、融合各種模型

四、Elmo

1、雙向語言模型

2、工作原理

3、Elmo的應(yīng)用場景

五、GPT

1、“一定會有人用它干壞事”

2、GPT的內(nèi)部架構(gòu)

3、Transformer的演示

4、自注意力機制的改進

5、GPT的應(yīng)用場景

第四天：預(yù)訓(xùn)練模型之二（站上BERT的肩頭）

一、BERT的前世今生

1、之前介紹的模型回顧

2、現(xiàn)代NLP的最新應(yīng)用場景

3、條條大路通BERT

二、BERT詳解

1、原理與方法

2、BERT的應(yīng)用場景

3、BERT源碼簡介

三、站在BERT肩膀上的新秀們

1、ERNIE

2、XLnet