NLP系统精讲与大厂案例落地实战

NLP核心急速入门,算法原理深入剖析,快速从新手跨入熟手行列

已完结
|
难度:初级
|
时长:共 26 小时 30 分钟
¥399.00
满8700减2600 满5600减1800 满4600减1600 满3800减1200 满2800减900 满1800减500 满1200减300 满500减80

更多

距离活动结束
加购物车
  • 快速系统掌实NLP核心技能
  • 高效掌握深度神经网络训练
  • 具备大厂项目全流程实战经验
  • 强化NLP模型应用与技巧
  • 循序渐进,10倍提升攻坚能力
  • 快速从新手跨入熟手行列
试看本节课 20:48
试看本节课 14:37
试看本节课 25:04
1-1 课程目标
1-2 学习NLP对你有什么帮助
1-3 课程重难点

课程预览

检测到您还没有关注慕课网服务号,无法接收课程更新通知。请扫描二维码即可绑定
重新观看
AI、大模型、智能化等需求井喷,高薪人才一将难求。课程从NLP全局视角出发,从基础到原理,系统全面讲解NLP完整技术栈,同时以大厂真实案例(内容社区和电商APP)驱动教学过程,带你快速掌握NLP核心技术,倍增NLP落地大厂复杂业务应用水平,先人一步跨入AI热门高薪领域。

本章介绍:

1

第1章 课程介绍
4 节|72分钟
展开
  • 视频:
    1-1 课程目标
    试看
    20:48
  • 视频:
    1-2 学习NLP对你有什么帮助
    试看
    14:37
  • 视频:
    1-3 课程重难点
    试看
    25:04
  • 视频:
    1-4 学习建议
    10:55

本章介绍:

1

第2章 语言学与自然语言处理
8 节|109分钟
收起
  • 视频:
    2-1 本章导学
    07:58
  • 视频:
    2-2 语言的产生:语音、词汇、语法
    13:10
  • 视频:
    2-3 踏上NLP之旅:什么是自然语言
    16:39
  • 视频:
    2-4 中文自然语言处理为什么这么难
    13:51
  • 视频:
    2-5 自然语言处理能解决哪些问题
    11:19
  • 视频:
    2-6 聊一聊自然语言处理发展史
    20:39
  • 视频:
    2-7 自然语言处理学习路径
    17:27
  • 视频:
    2-8 本章小结
    07:27

本章介绍:

1

第3章 从数学原理到机器学习
15 节|217分钟
收起
  • 视频:
    3-1 本章导学
    07:23
  • 视频:
    3-2 现代自然语言处理的基石-概率论知识介绍
    13:06
  • 视频:
    3-3 概率论基础:贝叶斯和信息理论
    20:46
  • 视频:
    3-4 基于概率统计的模型采样知识
    13:35
  • 视频:
    3-5 从理论走向实践:机器学习是怎么回事(一)
    21:20
  • 视频:
    3-6 从理论走向实践:机器学习是怎么回事(二)
    06:08
  • 视频:
    3-7 寻找重要的信息:降维方法
    13:45
  • 视频:
    3-8 从已知结果中学习未知问题-分类和回归
    23:56
  • 视频:
    3-9 如何让数据本身分类-聚类算法介绍
    13:29
  • 视频:
    3-10 测定模型结果的方法-评估指标
    20:43
  • 视频:
    3-11 过去进行式:文本分析流程1
    17:44
  • 视频:
    3-12 过去进行式:文本分析流程2
    07:16
  • 视频:
    3-13 中文处理的第一个难题:分词
    09:51
  • 视频:
    3-14 词语的处理:独热编码和词嵌入表示
    19:54
  • 视频:
    3-15 本章小结
    08:02

本章介绍:

1

第4章 由简单单元构建复杂神经网络
10 节|116分钟
展开
  • 视频:
    4-1 本章导学
    06:25
  • 视频:
    4-2 搭积木式的组合变换-激活函数和神经网络思想
    10:27
  • 视频:
    4-3 神经网络的演进:梯度与反向传播
    14:25
  • 视频:
    4-4 神经网络中我们可以参与的部分-超参数
    14:14
  • 视频:
    4-5 优化器和学习率
    05:58
  • 视频:
    4-6 提高模型效果的方法:归一化
    10:25
  • 视频:
    4-7 构建线性模型解决温度计示数转换问题
    12:48
  • 视频:
    4-8 使用深度学习模型解决温度计示数问题(一)
    23:48
  • 视频:
    4-9 使用深度学习模型解决温度计示数问题(二)
    10:13
  • 视频:
    4-10 本章小结
    07:08

本章介绍:

1

第5章 如何用机器学习能力解决自然语言处理问题
15 节|219分钟
展开
  • 视频:
    5-1 本章导学
    08:34
  • 视频:
    5-2 文本预处理魔法:分词、停用词和特殊字符消失术
    18:54
  • 视频:
    5-3 让计算机读懂汉语:用数值表示文本.mp4
    09:54
  • 视频:
    5-4 基于python的文本预处理封装
    12:43
  • 视频:
    5-5 改变NLP宇宙的词嵌入技术,word2vec让文本也可以互相运算
    13:11
  • 视频:
    5-6 内容理解中最常见的分类问题,给文本打标签
    15:42
  • 视频:
    5-7 自然语言处理中的序列标注问题,发现特定的词语
    15:20
  • 视频:
    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
    19:37
  • 视频:
    5-9 注意力机制,让模型能够关注重要内容,Attention is all your need
    23:55
  • 视频:
    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
    15:10
  • 视频:
    5-11 生成式AI崛起,像人类一样对话
    18:54
  • 视频:
    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
    10:45
  • 视频:
    5-13 高手的秘密,构建丰富的语料库和精选数据集
    15:50
  • 视频:
    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
    10:53
  • 视频:
    5-15 本章小结
    08:54

本章介绍:

1

第6章 互联网公司如何搭建内容理解体系
13 节|201分钟
展开
  • 视频:
    6-1 本章导学
    06:20
  • 视频:
    6-2 互联网公司为什么要做内容理解工作
    31:14
  • 视频:
    6-3 自然语言处理如何在内容理解体系中发挥作用(一)
    20:19
  • 视频:
    6-4 自然语言处理如何在内容理解体系中发挥作用(二)
    06:42
  • 视频:
    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)
    22:39
  • 视频:
    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)
    09:26
  • 视频:
    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)
    14:35
  • 视频:
    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)
    18:37
  • 视频:
    6-9 内容理解在点评UGC场景下辅助风险控制(一)
    17:32
  • 视频:
    6-10 内容理解在点评UGC场景下辅助风险控制(二)
    14:36
  • 视频:
    6-11 京东电商下的内容理解与智能创意(一)
    17:07
  • 视频:
    6-12 京东电商下的内容理解与智能创意(二)
    15:58
  • 视频:
    6-13 本章小结
    05:03

本章介绍:

1

第7章 文本相似度检测在内容理解体系中的应用
8 节|103分钟
展开
  • 视频:
    7-1 本章导学
    03:38
  • 视频:
    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
    14:01
  • 视频:
    7-3 在内容理解体系中,相似度检测可以解决哪些问题.mp4
    24:59
  • 视频:
    7-4 文本相似度检测的效果评估.mp4
    05:18
  • 视频:
    7-5 使用编辑距离计算词或短语级的文本相似度
    14:17
  • 视频:
    7-6 使用SIMHASH算法实现海量长文本的相似度计算
    20:36
  • 视频:
    7-7 使用word2vec解决语义级别的短文本相似问题
    14:18
  • 视频:
    7-8 本章小结
    05:47

本章介绍:

1

第8章 实体识别在内容理解体系中的应用
11 节|205分钟
展开
  • 视频:
    8-1 本章导学
    04:02
  • 视频:
    8-2 实体识别能够帮助我们解决哪些问题
    11:23
  • 视频:
    8-3 在内容理解体系中借助实体识别搭建基础能力
    12:18
  • 视频:
    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
    10:59
  • 视频:
    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
    20:18
  • 视频:
    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
    25:03
  • 视频:
    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
    20:06
  • 视频:
    8-8 -1 实体识别代码实战:ner_bert_lstm_crf
    38:34
  • 视频:
    8-9 -2 实体识别代码实战:ner_bert_lstm_crf
    30:48
  • 视频:
    8-10 -3 实体识别代码实战:ner_bilstm_crf
    26:06
  • 视频:
    8-11 本章小结
    04:50

本章介绍:

1

第9章 文本分类任务在内容理解体系中的应用
17 节|275分钟
展开
  • 视频:
    9-1 本章导学
    04:42
  • 视频:
    9-2 内容理解中应用最广泛的文本分类有哪些类型
    10:12
  • 视频:
    9-3 如何在内容理解体系搭建中借助文本分类的力量
    11:39
  • 视频:
    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
    10:07
  • 视频:
    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
    19:06
  • 视频:
    9-6 卷积神经网络基础知识
    18:53
  • 视频:
    9-7 处理情感分类的数据集并搭建卷积网络1
    18:42
  • 视频:
    9-8 处理情感分类的数据集并搭建卷积网络2
    32:58
  • 视频:
    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
    18:41
  • 视频:
    9-10 使用基于word2vec的fasttext工具来解决文本分类的问题
    12:10
  • 视频:
    9-11 Transformer的衍生品BERT模型如何应用于文本分类
    25:52
  • 视频:
    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
    20:21
  • 视频:
    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
    20:03
  • 视频:
    9-14 -1在实际工作中我们该如何为分类任务准备数据
    14:05
  • 视频:
    9-15 -2在实际工作中我们该如何为分类任务准备数据
    13:42
  • 视频:
    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
    16:39
  • 视频:
    9-17 模型应用的最后一站,如何做分布式工程部署
    06:35

本章介绍:

1

第10章 文本提取或生成任务实战
21 节|320分钟
展开
  • 视频:
    10-1 本章导学.
    02:19
  • 视频:
    10-2 文本提取与文本生成能够为我们提供哪些能力.
    09:10
  • 视频:
    10-3 在内容理解中,我们如何借助文本提取和文本生成能力来搭建我们的能力框架.
    12:46
  • 视频:
    10-4 没有标准答案的提取和生成任务该如何评估效果
    10:32
  • 视频:
    10-5 永恒的智慧:探索很老但有用的TFIDF提取技术
    16:58
  • 视频:
    10-6 从文本到链接:谷歌的TextRank算法如何改变搜索世界
    15:29
  • 视频:
    10-7 GPT1模型-初代生成式预训练模型,智障但是开创了一个新的方向
    14:37
  • 视频:
    10-8 GPT2模型-更强大的生成式预训练模型,开始具备工业上的可用性
    12:33
  • 视频:
    10-9 -1 GPT3模型-开创性的生成式预训练模型,对话流畅度获得飞跃提升
    16:48
  • 视频:
    10-10 -2 GPT3模型-开创性的生成式预训练模型,对话流畅度获得飞跃提升
    16:58
  • 视频:
    10-11 InstructGPT在GPT3的基础上做的三大改进点-ChatGPT的原理1
    20:01
  • 视频:
    10-12 InstructGPT在GPT3的基础上做的三大改进点-ChatGPT的原理2
    12:27
  • 视频:
    10-13 动手实践:借助开源的GPT2模型搭建我们自己的生成式任务方案1
    19:55
  • 视频:
    10-14 动手实践:借助开源的GPT2模型搭建我们自己的生成式任务方案2
    14:33
  • 视频:
    10-15 动手实践:借助开源的GPT2模型搭建我们自己的生成式任务方案3
    15:07
  • 视频:
    10-16 动手实践:借助开源的GPT2模型搭建我们自己的生成式任务方案4
    15:57
  • 视频:
    10-17 动手实践:使用GPT2自动生成引人入胜的文本标题
    24:33
  • 视频:
    10-18 动手实践:生成效果不佳?引入后评估模型来提高生成效果1
    33:19
  • 视频:
    10-19 动手实践:生成效果不佳?引入后评估模型来提高生成效果2
    18:29
  • 视频:
    10-20 借助ChatGPT的API实现文本摘要提取
    10:55
  • 视频:
    10-21 本章小结
    05:41

本章介绍:

1

第11章 NLP未来展望与课程总结
6 节|69分钟
展开
  • 视频:
    11-1 内容理解与NLP实战课程回顾
    10:35
  • 视频:
    11-2 大模型时代的AI价值对齐
    18:10
  • 视频:
    11-3 NLP大模型未来展望
    11:21
  • 视频:
    11-4 大模型时代下如何学习NLP
    09:53
  • 视频:
    11-5 继续学习NLP的资源与建议
    09:56
  • 视频:
    11-6 课程结束语-这是结束,也是开始
    08:23
本课程已完结
适合人群
数据科学家、数据工程师和数据分析师
渴望深入了解 NLP 并在实际项目中应用的人
技术储备
Python语言
数据科学基础
机器学习基础
环境参数
MAC/Windows 环境
Python 3.9
Anaconda 最好有独立显卡
荒川123
算法高级架构师, 已有269个学生
不为别的,只为提升面试通过率
尽管课程时间很长,
但没关系,我们有老师的陪伴,
还有同学之间互相鼓励,彼此帮助,
完成学习后,还能获得慕课网官方认证的证书。
立即购买
数据加载中...
《NLP系统精讲与大厂案例落地实战》的真实评价
综合评分:分,共 人参与
篇幅原因,只展示最近100条评价

学习咨询

选课、学习遇到问题?

扫码添加指导老师 1V1 帮助你!

添加后老师会第一时间解决你的问题

意见反馈 帮助中心 APP下载
官方微信