資料目錄：
├─01-自然語言處理基礎知識與操作
│ ├─第一章自然語言處理基礎
│ │ 一章小結.mp4
│ │ 一章概述.mp4
│ │ 字符串基本處理與正則表達式文本匹配與替換.mp4
│ │ 字符串處理.mp4
│ │ 文本數(shù)據(jù)、字、詞、term.mp4
│ │ 模式匹配與正則表達式.mp4
│ │
│ ├─第二章英文文本處理與解析
│ │ 【實戰(zhàn)】nltk工具庫英文文本處理案例.mp4
│ │ 【實戰(zhàn)】spacy工具庫英文文本處理案例.mp4
│ │ 【實戰(zhàn)】基于python的英文文本相似度比對.mp4
│ │ 【實戰(zhàn)】簡易文本情感分析器構建.mp4
│ │ 章小結.mp4
│ │ 章概述.mp4
│ │ 英文文本解析任務介紹：分詞、去停用詞、提取詞干等.mp4
│ │
│ └─第三章中文文本處理與解析
│ jieba工具庫介紹.mp4
│ 【實戰(zhàn)】python中文文本清洗、處理與可視化.mp4
│ 【實戰(zhàn)】python新聞網(wǎng)站關鍵詞抽取.mp4
│ 中文文本處理任務介紹：分詞、去停用詞、ngram.mp4
│ 中文文本解析任務介紹：詞性分析、依賴分析等.mp4
│ 章小結.mp4
│ 章概述.mp4
│
├─02-語言模型與應用
│ │ 考核作業(yè).zip
│ │ 課件與代碼.zip
│ │
│ ├─第一章語言模型與應用
│ │ ngram應用：詞性標注、中文分詞、機器翻譯與語音識別.mp4
│ │ ngram語言模型.mp4
│ │ 假設性獨立與聯(lián)合概率鏈規(guī)則.mp4
│ │ 章小結.mp4
│ │ 章概述.mp4
│ │
│ └─第二章統(tǒng)計語言模型與神經(jīng)語言模型構建
│ 【實戰(zhàn)】kenlm工具庫使用及語言模型生成.mp4
│ 【實戰(zhàn)】基于kenlm的簡易拼寫糾錯.mp4
│ 【實戰(zhàn)】基于pytorch的語言模型訓練.mp4
│ 基于rnn的神經(jīng)語言模型.mp4
│ 基于統(tǒng)計的語言模型構建.mp4
│ 章小結.mp4
│ 章概述.mp4
│
├─03-文本表示
│ │ 考核作業(yè).zip
│ │
│ ├─第一章-文本詞與句的表示
│ │ 01章概述.mp4
│ │ 02-文本表示概述.mp4
│ │ 03-文本離散表示：詞袋模型與tf-idf.mp4
│ │ 04-文本分布式表示：word2vec.mp4
│ │ 05-【實戰(zhàn)】python中文文本向量化表示.mp4
│ │ 06-【實戰(zhàn)】基于gensim的中文文本詞向量訓練與相似度匹配.mp4
│ │ 07章小結.mp4
│ │
│ └─第二章-文本表示進階
│ 01章概述.mp4
│ 02-預訓練在圖像領域的應用.mp4
│ 03-elmo基于上下文的word embedding.mp4
│ 04-gpt transformer建模句子信息.mp4
│ 05-bert 預訓練雙向transformer.mp4
│ 06-基于bert進行fine-tuning.mp4
│ 07章小結.mp4
│
├─04-文本分類
│ │ 考核作業(yè).zip
│ │
│ ├─第一章-文本分類機器學習模型與實戰(zhàn)
│ │ 01章概述.mp4
│ │ 02-樸素貝葉斯模型與中文文本分類.mp4
│ │ 03-邏輯回歸 _svm與文本分類.mp4
│ │ 04-facebook fasttext原理與操作.mp4
│ │ 05-【實戰(zhàn)】python中文新聞分類.mp4
│ │ 06-【實戰(zhàn)】基于fasttext的文本情感分析.mp4
│ │ 07章小結.mp4
│ │
│ └─第二章-文本分類深度學習模型與實戰(zhàn)
│ 01章概述.mp4
│ 02-詞嵌入與fine-tuning.mp4
│ 03-基于卷積神經(jīng)網(wǎng)絡的文本分類.mp4
│ 04-基于lstm的文本分類.mp4
│ 05-transformerself-attention介紹.mp4
│ 06-使用tensorflow構建卷積神經(jīng)網(wǎng)絡完成新聞分類.mp4
│ 07-使用tensorflow構建lstm完成影評褒貶分析模型.mp4
│ 08章小結.mp4
│
├─05-文本主題抽取與表示
│ │ 考核作業(yè).zip
│ │
│ └─第一章-文本主題抽取與表示
│ 01章小結.mp4
│ 02-基于tf-idf與text-rank的主題詞抽取.mp4
│ 03-監(jiān)督學習與文本打標簽.mp4
│ 04-無監(jiān)督學習與lda主題模型.mp4
│ 05基于python的中文關鍵詞抽取與可視化.mp4
│ 06-基于lda的新聞主題分析與可視化呈現(xiàn).mp4
│ 07章小結.mp4
│
├─06-序列到序列模型
│ │ 考核作業(yè).zip
│ │
│ └─第一章-序列到序列模型與應用
│ 01章概述.mp4
│ 02-從rnn到seq2seq模型.mp4
│ 03-編碼解碼模型.mp4
│ 04-seq2seq模型詳解.mp4
│ 05-注意（attention）機制.mp4
│ 06-tensorflow seq2seq模型使用方法詳解.mp4
│ 07-基于seq2seq的文本摘要生成實現(xiàn).mp4
│ 08章總結.mp4
│
├─07-文本生成
│ │ 考核作業(yè).zip
│ │
│ └─第一章-文本生成與自動創(chuàng)作
│ 01章概述.mp4
│ 02-基于rnn lstm的語言模型回顧.mp4
│ 03-基于語言模型的文本生成原理.mp4
│ 04-【實戰(zhàn)】基于lstm的唐詩生成器.mp4
│ 05-基于seq2seq的文本序列生成原理.mp4
│ 06-【實戰(zhàn)】基于seq2seq的對聯(lián)生成器.mp4
│ 07章小結.mp4
│
├─08-機器翻譯
│ └─第一章-機器翻譯：雙語翻譯
│ ├─01-統(tǒng)計機器翻譯
│ │ 01章概述.mp4
│ │ 02-詞，句子和語料與基本概率論知識.mp4
│ │ 03-翻譯模型與語言模型.mp4
│ │ 04-解碼與beam-search.mp4
│ │ 05-翻譯系統(tǒng)評估.mp4
│ │ 06-【實戰(zhàn)】moses統(tǒng)計翻譯系統(tǒng)實戰(zhàn).mp4
│ │ 07章小結.mp4
│ │
│ ├─02-基于seq2seq的機器翻譯模型
│ │ 01章概述.mp4
│ │ 02-基礎seq2seq編解碼模型機器翻譯應用.mp4
│ │ 03-基于注意力機制的seq2seq機器翻譯優(yōu)化.mp4
│ │ 04-【實戰(zhàn)】基于keras完成的基礎seq2seq機器翻譯模型.mp4
│ │ 05-【實戰(zhàn)】基于tensorflow的google版seq2seq機器翻譯模型.mp4
│ │ 06章小結.mp4
│ │
│ ├─03-fackbook基于CNN的機器翻譯模型
│ │ 01章概述.mp4
│ │ 02-基于cnn的翻譯系統(tǒng)模型結構.mp4
│ │ 03-使用cnn完成神經(jīng)翻譯系統(tǒng)的tricks.mp4
│ │ 04-facebook cnn機器翻譯系統(tǒng)代碼解析.mp4
│ │ 05章小結.mp4
│ │
│ └─04-來自Google的Transformer模型
│ 01章概述.mp4
│ 02-來自google的transformer模型.mp4
│ 03-transformer模型的訓練細節(jié).mp4
│ 04-【實戰(zhàn)】transformer源碼解析.mp4
│ 05章小結.mp4
│
├─09-聊天機器人
│ └─第一章-聊天機器人：機器客服與語音助手
│ ├─01-基于內容匹配的聊天機器人
│ │ 01章概述.mp4
│ │ 02-聊天機器人基本知識綜述.mp4
│ │ 03-基于內容匹配的聊天機器人.mp4
│ │ 04-基于深度學習匹配的聊天機器人tensorflow實現(xiàn).mp4
│ │ 05-基于深度學習匹配的聊天機器人pytorch實現(xiàn).mp4
│ │ 06章小結.mp4
│ │
│ └─02-基于seq2seq的聊天機器人
│ 01章概述.mp4
│ 02-聊天機器人場景與seq2seq模型回顧.mp4
│ 03-數(shù)據(jù)準備與處理.mp4
│ 04-基于tensorflow seq2seq的chatbot完整實現(xiàn).mp4
│ 05-拓展：基于transformer的chatbot實現(xiàn).mp4
│ 06章小結.mp4
│
├─10-視覺文本任務：看圖說話
│ ├─01-看圖說話問題與實現(xiàn)
│ │ 1.1 本章概述.mp4
│ │ 1.2 “看圖說話”問題介紹.mp4
│ │ 1.3 簡易cnn+rnn編碼解碼模型完成圖片短文本描述原理.mp4
│ │ 1.4 注意力模型與“看圖說話”優(yōu)化.mp4
│ │ 1.5 【實戰(zhàn)】基于cnn+rnn的編解碼“看圖說話”與beam-search優(yōu)化.mp4
│ │ 1.6 【實戰(zhàn)】基于attention model的“看圖說話”實現(xiàn).mp4
│ │ 1.7 本章小結.mp4
│ │
│ └─02-視覺問答機器人(VQA)原理與實現(xiàn)
│ 2.1 本章概述.mp4
│ 2.2 視覺問答機器人問題介紹.mp4
│ 2.3 基于圖像信息和文本信息抽取匹配的vqa實現(xiàn)方案.mp4
│ 2.4 基于注意力(attention)的深度學習vqa實現(xiàn)方案.mp4
│ 2.5【實戰(zhàn)】使用keras完成cnn+rnn基礎vqa模型.mp4
│ 2.6【實戰(zhàn)】基于attention的深度學習vqa模型實現(xiàn).mp4
│ 2.7 本章小結.mp4
│
└─11-文本相似度計算與文本匹配問題
├─01-文本相似度計算與文本匹配問題
│ 1.1 本章概述.mp4
│ 1.2 文本相似度問題與應用.mp4
│ 1.3 傳統(tǒng)文本相似度計算方式：編輯距離、simhash、word2vec.mp4
│ 1.4 【實戰(zhàn)】編輯距離計算python實現(xiàn).mp4
│ 1.5 【實戰(zhàn)】基于simhash的相似文本判斷.mp4
│ 1.6 【實戰(zhàn)】詞向量word averaging.mp4
│ 1.7 本章小結.mp4
│ 第1章文本相似度問題與應用場景.pdf
│
└─02-基于深度學習的文本語義匹配
2.1 本章概述.mp4
2.2 基于深度學習的句子相似度模型.mp4
2.3 dssm（deep structured semantic models）模型詳解.mp4
2.4 drmm（deep relevance matching model）模型詳解.mp4
2.5【實戰(zhàn)】基于lstm的監(jiān)督學習語義表達抽取.mp4
2.6【實戰(zhàn)】基于dssm的問題語義相似度匹配案例.mp4
2.7【實戰(zhàn)】基于drmm的問答匹配案例.mp4
2.8 本章小結.mp4
第2章基于深度學習的文本語義匹配.pdf
