稀牛《AI人工智能工程师》NLP必备技能 [视频] [课件]
人工智能AI稀牛课程，本课程共15.4GB，可通过百度网盘转存下载或者在线播放此“稀牛《AI人工智能工程师》NLP必备技能”课程。
AI人工智能工程师-NLP必备技能主要指的是在自然语言处理（NLP）领域中，作为人工智能工程师应具备的必要技能。这些技能包括但不限于：
自然语言处理基础知识：掌握自然语言处理的基本概念、原理和常用算法，了解语言学的基础知识。
机器学习和深度学习：熟悉常用的机器学习和深度学习算法，并能应用于NLP任务中，如文本分类、情感分析、机器翻译等。
文本表示与向量化：了解和掌握常用的文本表示方法，如词袋模型、TF-IDF、word2vec等，能够将文本数据转化为向量表示。
语言模型和序列模型：熟悉语言模型的概念和常用模型，如N-gram、循环神经网络（RNN）、长短期记忆网络（LSTM）等，并能应用于文本生成、语音识别等任务。
实体识别和关系抽取：了解实体识别和关系抽取的基本方法和算法，能够从文本中提取出命名实体和实体之间的关系。
情感分析和情感推理：熟悉情感分析的方法和技术，能够判断文本中的情感倾向，并进行情感推理。
机器翻译和问答系统：了解机器翻译和问答系统的基本原理和方法，能够实现基于NLP的自动翻译和问答功能。
除了以上的必备技能外，作为AI工程师在NLP领域还需要具备数据处理和清洗、模型评估和调优、算法优化等相关技能。总之，稀牛的AI人工智能工程师-NLP必备技能旨在帮助工程师全面掌握NLP领域的知识和技术，能够应用于实际的项目中。
课程目录
01-自然语言处理基础知识与操作
第二章英文文本处理与解析
[实战]nltk工具库英文文本处理案例.mp4 139.99M
[实战]spacy工具库英文文本处理案例.mp4 413.95M
[实战]基于python的英文文本相似度比对.mp4 122.75M
[实战]简易文本情感分析器构建.mp4 34.02M
英文文本解析任务介绍：分词、去停用词、提取词干等.mp4 69.12M
章概述.mp4 13.90M
章小结.mp4 24.52M
第三章中文文本处理与解析
jieba工具库介绍.mp4 498.41M
[实战]python新闻网站关键词抽取.mp4 44.70M
[实战]python中文文本清洗、处理与可视化.mp4 168.51M
章概述.mp4 7.38M
章小结.mp4 35.26M
中文文本处理任务介绍：分词、去停用词、ngram.mp4 209.10M
中文文本解析任务介绍：词性分析、依赖分析等.mp4 151.12M
第一章自然语言处理基础
TMP3C4D.tmp
模式匹配与正则表达式.mp4 431.29M
文本数据、字、词、term.mp4 182.55M
一章概述.mp4 6.30M
一章小结.mp4 58.79M
字符串处理.mp4 370.16M
字符串基本处理与正则表达式文本匹配与替换.mp4 492.86M
02-语言模型与应用
第二章统计语言模型与神经语言模型构建
TMP599C.tmp
[实战]kenlm工具库使用及语言模型生成.mp4 189.80M
[实战]基于kenlm的简易拼写纠错.mp4 174.25M
[实战]基于pytorch的语言模型训练.mp4 248.03M
基于rnn的神经语言模型.mp4 647.21M
基于统计的语言模型构建.mp4 220.55M
章概述.mp4 29.88M
章小结.mp4 102.37M
第一章语言模型与应用
ngram应用：词性标注、中文分词、机器翻译与语音识别.mp4 397.12M
ngram语言模型.mp4 240.17M
假设性独立与联合概率链规则.mp4 67.28M
章概述.mp4 25.96M
章小结.mp4 35.50M
考核作业.zip 221.70kb
课件与代码.zip 8.65M
03-文本表示
第二章-文本表示进阶
01章概述.mp4 50.17M
02-预训练在图像领域的应用.mp4 322.07M
03-elmo基于上下文的word embedding.mp4 319.96M
04-gpt transformer建模句子信息.mp4 566.75M
05-bert 预训练双向transformer.mp4 708.94M
06-基于bert进行fine-tuning.mp4 176.06M
07章小结.mp4 52.25M
TMPAD16.tmp
TMPCC96.tmp
TMPCF47.tmp
第一章-文本词与句的表示
01章概述.mp4 36.90M
02-文本表示概述.mp4 129.14M
03-文本离散表示：词袋模型与tf-idf.mp4 305.20M
04-文本分布式表示：word2vec.mp4 279.62M
05-[实战]python中文文本向量化表示.mp4 121.67M
06-[实战]基于gensim的中文文本词向量训练与相似度匹配.mp4 286.21M
07章小结.mp4 28.15M
TMPE10E.tmp
考核作业.zip 61.54kb
04-文本分类
第二章-文本分类深度学习模型与实战
01章概述.mp4 5.44M
02-词嵌入与fine-tuning.mp4 12.72M
03-基于卷积神经网络的文本分类.mp4 264.69M
04-基于lstm的文本分类.mp4 123.65M
05-transformerself-attention介绍.mp4 62.14M
06-使用tensorflow构建卷积神经网络完成新闻分类.mp4 105.84M
07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4 10.41M
08章小结.mp4 7.39M
第一章-文本分类机器学习模型与实战
01章概述.mp4 55.87M
02-朴素贝叶斯模型与中文文本分类.mp4 395.37M
03-逻辑回归 _svm与文本分类.mp4 1.25G
04-facebook fasttext原理与操作.mp4 366.89M
05-[实战]python中文新闻分类.mp4 215.00M
06-[实战]基于fasttext的文本情感分析.mp4 183.90M
07章小结.mp4 73.23M
考核作业.zip 99.19kb
05-文本主题抽取与表示
第一章-文本主题抽取与表示
01章小结.mp4 6.57M
02-基于tf-idf与text-rank的主题词抽取.mp4 16.35M
03-监督学习与文本打标签.mp4 6.58M
04-无监督学习与lda主题模型.mp4 182.60M
05基于python的中文关键词抽取与可视化.mp4 6.55M
06-基于lda的新闻主题分析与可视化呈现.mp4 39.47M
07章小结.mp4 7.20M
考核作业.zip 42.93kb
06-序列到序列模型
第一章-序列到序列模型与应用
01章概述.mp4 5.78M
02-从rnn到seq2seq模型.mp4 6.01M
03-编码解码模型.mp4 12.59M
04-seq2seq模型详解.mp4 45.24M
05-注意（attention）机制.mp4 36.38M
06-tensorflow seq2seq模型使用方法详解.mp4 177.54M
07-基于seq2seq的文本摘要生成实现.mp4 148.80M
08章总结.mp4 72.69M
考核作业.zip 47.73kb
07-文本生成
第一章-文本生成与自动创作
01章概述.mp4 2.42M
02-基于rnn lstm的语言模型回顾.mp4 10.51M
03-基于语言模型的文本生成原理.mp4 2.04M
04-[实战]基于lstm的唐诗生成器.mp4 67.12M
05-基于seq2seq的文本序列生成原理.mp4 9.20M
06-[实战]基于seq2seq的对联生成器.mp4 96.68M
07章小结.mp4 14.87M
考核作业.zip 71.06kb
08-机器翻译
第一章-机器翻译：双语翻译
01-统计机器翻译
02-基于seq2seq的机器翻译模型
03-fackbook基于CNN的机器翻译模型
04-来自Google的Transformer模型
09-聊天机器人
第一章-聊天机器人：机器客服与语音助手
01-基于内容匹配的聊天机器人
02-基于seq2seq的聊天机器人
10-视觉文本任务：看图说话
01-看图说话问题与实现
1.1 本章概述.mp4 2.86M
1.2 “看图说话”问题介绍.mp4 7.81M
1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4 67.26M
1.4 注意力模型与“看图说话”优化.mp4 26.76M
1.5 [实战]基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4 105.95M
1.6 [实战]基于attention model的“看图说话”实现.mp4 27.92M
1.7 本章小结.mp4 1.84M
02-视觉问答机器人(VQA)原理与实现
2.1 本章概述.mp4 1.61M
2.2 视觉问答机器人问题介绍.mp4 34.82M
2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4 30.93M
2.4 基于注意力(attention)的深度学习vqa实现方案.mp4 16.18M
2.5[实战]使用keras完成cnn+rnn基础vqa模型.mp4 24.39M
2.6[实战]基于attention的深度学习vqa模型实现.mp4 41.58M
2.7 本章小结.mp4 1.67M
11-文本相似度计算与文本匹配问题
01-文本相似度计算与文本匹配问题
1.1 本章概述.mp4 5.89M
1.2 文本相似度问题与应用.mp4 9.06M
1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp4 148.01M
1.4 [实战]编辑距离计算python实现.mp4 23.46M
1.5 [实战]基于simhash的相似文本判断.mp4 62.75M
1.6 [实战]词向量word averaging.mp4 24.75M
1.7 本章小结.mp4 2.36M
第1章文本相似度问题与应用场景.pdf 7.49M
02-基于深度学习的文本语义匹配
2.1 本章概述.mp4 2.93M
2.2 基于深度学习的句子相似度模型.mp4 32.12M
2.3 dssm（deep structured semantic models）模型详解.mp4 20.85M
2.4 drmm（deep relevance matching model）模型详解.mp4 21.39M
2.5[实战]基于lstm的监督学习语义表达抽取.mp4 81.31M
2.6[实战]基于dssm的问题语义相似度匹配案例.mp4 25.91M
2.7[实战]基于drmm的问答匹配案例.mp4 21.68M
2.8 本章小结.mp4 3.94M
第2章基于深度学习的文本语义匹配.pdf 7.84M
评论0