• อัปโหลด

黑马程序员AI大模型NLP自然语言处理全套视频教程,从传统序列模型到基于Transformer的预训练模型,构建完整NLP知识体系与项目实战

466.3K
3027
2025-11-03 10:00:00
2392
1750
9823
771
本套视频教程所有配套资料领取方式如下: 关注黑马程序员公 粽 号,回复关键词:251103 【AI大模型学习路线图】展开查看更多内容 https://www.bilibili.com/opus/1129722427782201345 如何下载资料 https://www.bilibili.com/opus/443715248901563958 人工智能开发热门教程: AI大模型开发:BV1h1VbzHER2 Python语言进阶:BV1U2WmzfEqp Python数据分析:BV1ReshzoEgG 机器学习:BV1Fzszz4Ek7 深度学习与神经网络:BV1c5yrBcEEX NLP自然语言处理:BV1GByoBfE73 AI-OpenCV图像处理:BV1Fo4y1d7JL 人工智能深度学习:BV1L4411v7fB 图像与视觉处理:BV1Rz4y1R7Mb ======================================================================== 本课程基于神经网络与Pytorch框架,聚焦NLP核心技术与Transformer体系,面向有基础的学习者。以“原理拆解+代码实操”为核心,将复杂的Transformer架构(输入嵌入、位置编码、多头注意力、编码器/解码器)通过“公式解读+步骤拆解+可视化分析”讲透,衔接梯度下降、反向传播等已有知识。案例覆盖文本分类、机器翻译、情感分析等经典任务,代码逐行解析Transformer从搭建到训练的全流程,兼顾理论深度与工程实用性。讲解逻辑从基础工具到传统模型,再到Transformer与预训练模型逐步递进,既巩固已有基础,又高效吸收NLP专属知识,助力快速上手实战。 ========================================================================
咨询课程1对1就业指导、技术提升直接私信,周一到周五晚7点直播答疑求职技术干货,领取课程源码+资料,关注黑马程序员公众号,回复:领取资源02
รายการวิดีโอ
(1/198)
NLP自然语言处理课程导学
14:21
Day01-01-NLP课程大纲介绍
16:49
Day01-02-NLP课程要求
03:58
Day01-03-NLP入门基础知识
06:35
Day01-04-文本预处理基本介绍
07:50
Day01-05-分词概念的基本介绍
02:41
Day01-06-jieba实现精确模式的分词
31:35
Day01-07-jieba实现全模式以及搜索引擎分词
11:08
Day01-08-jieba实现繁体分词
04:37
Day01-09-jieba分词词典的介绍
09:08
Day01-10-jieba实现自定义词典应用
12:25
Day01-11-NER概念的基本介绍
03:38
Day01-12-jieba分词的词性标注
04:33
Day01-13-词向量的基本介绍
06:01
Day02-01-one-hot编码的实现
22:09
Day02-02-one-hot编码的重加载应用
06:23
Day02-03-CBOW词向量训练工程解析
15:35
Day02-04-CBOW词向量训练思想画图解析
08:07
Day02-05-Softmax和交叉熵损失回顾
07:13
Day02-06-SkipGram词向量训练思想解析
09:22
Day02-07-词向量获取
05:18
Day02-08-fasttext和pytorch的安装
10:50
Day02-09-Fasttext训练词向量并保存
16:41
Day02-10-重加载利用词向量模型
15:30
Day02-11-Embedding和word2vec的区别
10:35
Day02-12-Embedding代码的实现和解释
30:17
Day02-13-tensorboard可视化Embedding向量
10:17
Day02-14-根据索引去取出对应的向量
12:58
Day03-01-样本标签的数量分布统计
16:34
Day03-02-样本句子长度分布统计
24:28
Day03-03-样本句子长度分布散点图
04:25
Day03-04-样本单词的总数获取
20:17
Day03-05-词云统计读取文件
14:54
Day03-06-获得train正样本形容词
12:22
Day03-07-获取形容词词云的展示
10:13
Day03-08-上午内容的回顾
08:35
Day03-09-N-gram特征的理解
06:31
Day03-10-zip函数的讲解
16:29
Day03-11-N-gram代码实现以及长度规范代码实现
18:07
Day03-12-回译数据增强方法的介绍
07:09
Day03-13-RNN模型的理解
11:30
Day03-14-RNN模型的作用
08:41
Day03-15-RNN模型的分类
10:41
Day04-01-传统RNN模型内部结构图
13:21
Day04-02-RNN源代码公式理解
09:43
Day04-03-RNN代码的初步分析
08:57
Day04-04-RNN初步代码实现
13:24
Day04-05-RNN改变句子长度代码实现
24:40
Day04-06-RNN修改batch-first以及num_layers
21:09
Day04-07-RNN模型的缺点
07:37
Day04-08-LSTM的基本结构
12:00
Day04-09-LSTM模型的理解1
24:38
Day04-10-LSTM模型的理解2
10:19
Day04-11-LSTM模型的代码实现
16:52
Day05-01-GRU内部结构的介绍
17:15
Day05-02-GRU代码的实现
05:49
Day05-03-RNN人名分类案例分析
08:41
Day05-04-常用字符的获取
12:57
Day05-05-读取数据到内存
18:53
Day05-06-自定义Dataset类前半部分
07:49
Day05-07-自定义Dataset类后半部分
22:27
Day05-08-实例化Dataloader对象
07:22
Day05-09-RNN初始化方法的实现
14:23
Day05-10-RNN的forward方法实现
26:55
Day05-11-LSTM模型的代码实现
13:07
Day05-12-GRU模型的代码实现
04:55
Day05-13-RNN模型训练代码的前半部分
12:08
Day05-14-RNN模型训练代码的中间部分
13:53
Day05-15-RNN模型训练代码的后半部分
29:45
Day06-01-LSTM训练函数的实现
12:16
Day06-02-RNN系列模型损失以及耗时对比
10:37
Day06-03-RNN系列模型准确率对比
03:10
Day06-04-RNN模型预测函数的实现
23:56
Day06-05-LSTM以及GRU模型预测函数的实现
06:01
Day06-06-RNN人名分类案例总结
26:57
Day06-07-传统机器翻译的基本过程
22:23
Day06-08-注意力机制的由来
07:17
Day06-09-注意力机制的分类
05:02
Day06-10-无Attention的Encoder-Decoder框架
06:15
Day06-11-加Attention的Encoder-Decoder框架
09:27
Day06-12-soft注意力权重的计算实现
10:37
Day06-13-soft注意力机制的总结
11:01
Day07-01-HardAttention的思想介绍
14:26
Day07-02-SelfAttention的思想介绍
06:34
Day07-03-计算注意力三种规则方式
09:29
Day07-04-Seq2Seq架构加入Attention(第一种方式)
10:06
Day07-05-Seq2Seq架构加入Attention(第二种方式)
05:48
Day07-06-两种方式的对比
04:34
Day07-07-注意力机制的作用
05:46
Day07-08-注意力机制计算的步骤
04:20
Day07-09-注意力机制代码实现init方法
15:50
Day07-10-注意力机制代码forward思路解析
05:46
Day07-11-注意力机制代码forward的实现
11:28
Day07-12-注意力机制代码实现第二种方式
05:02
Day07-13-Seq2Seq英译法案例的梳理
10:08
Day07-14-导入第三方库并且定义全局变量
10:14
Day07-15-数据清洗函数的实现
17:59
Day08-01-读取样本数据并构建语言文本对
12:41
Day08-02-构建英文词典和法文词典
20:38
Day08-03-构建Dataset数据源
19:53
Day08-04-实例化dataloader数据迭代器
07:28
Day08-05-Encoder模型init方法的实现
10:59
Day08-06-Encoder模型forward方法的实现
06:03
Day08-07-无Attention解码器的init方法的实现
12:23
Day08-08-无Attention解码器的forward方法的实现
30:34
Day08-09-带Attention的解码器架构梳理
16:08
Day08-10-带Attention解码器的init方法梳理
09:39
Day08-11-带Attention解码器的init方法实现
09:33
Day08-12-带Attention解码器的forward方法梳理
13:14
Day08-13-带Attention解码器的forward代码实现
17:01
Day08-14-Attention解码器的测试
49:56
Day09-01-train_seq2seq主函数前半部分代码实现
19:28
Day09-02-train_iter内部迭代函数前半部分代码实现
14:45
Day09-03-train_iter内部迭代函数后半部分代码实现
42:45
Day09-04-内部迭代函数注意事项
05:35
Day09-05-tain_seq2seq主函数后半部分代码实现
15:15
Day09-06-应用评估函数的准备工作
19:43
Day09-07-评估函数的代码实现
29:20
Day09-08-加载其他人训练的模型注意事项
10:24
Day09-09-注意力图例的展示
11:04
Day09-10-Seq2Seq英译法案例
07:32
Day09-11-transformer模型的背景介绍
05:42
Day09-12-编码器的组成部分
13:10
Day09-13-解码器的组成部分
08:15
Day10-01-Embedding层的讲解
26:21
Day10-02-Embdding层代码的实现
13:21
Day10-03-三角函数位置编码的意义
08:21
Day10-04-位置编码公式的解析
05:59
Day10-05-位置编码公式代码解析
13:50
Day10-06-位置编码代码思路分析
14:18
Day10-07-位置编码代码的实现
15:11
Day10-08-上午内容回顾
07:59
Day10-09-掩码张量的介绍与实现
24:24
Day10-10-sentence_mask的原理讲解
09:42
Day10-11-padding_mask的原理 讲解
18:15
Day10-12-自注意力机制计算代码思路分析
10:16
Day10-13-注意力机制代码的实现
27:41
Day10-14-多头注意力机制的理解
10:41
Day10-15-多头注意力机制类init方法的实现
16:57
Day10-16-多头注意力机制类forward方法的分析
12:09
Day10-17-多头注意力机制类forward代码的实现
12:15
Day11-01-前馈全连接层的代码实现
09:55
Day11-02-LayerNorm原理的讲解
09:56
Day11-03-LayerNorm层代码的实现
26:48
Day11-04-子层连接结构代码的分析
08:26
Day11-05-子层连接结构代码的实现
12:09
Day11-06-编码器层结构代码的分析
08:10
Day11-07-编码器的代码实现
08:33
Day11-08-解码器层代码的解析
10:22
Day11-09-解码器层代码的实现
25:28
Day11-10-解码器的代码实现
05:31
Day11-11-输出层代码的实现
07:58
Day11-12-EncoderDecoder类init方法的实现
24:05
Day11-13-EncoderDecoder类forward方法的实现
16:24
Day12-01-Fasttext工具的介绍
05:34
Day12-02-文本分类任务的介绍
23:06
Day12-03-Fasttext分类模型的架构
07:59
Day12-04-文本分类任务的数据解析
10:17
Day12-05-fasttext文本分类的代码初步实现
09:50
Day12-06-数据预处理后的文本分类代码实现
06:09
Day12-07-模型调优后代码的实现
22:23
Day12-08-迁移学习的基本概念
08:38
Day12-09-transformers库的介绍
21:35
Day12-10-pipeline方式实现文本分类任务
13:44
Day12-11-pipeline方式实现特征抽取任务
13:27
Day12-12-pipeline方式实现完形填空任务
18:07
Day12-13-pipeline方式完成阅读理解任务
06:48
Day12-14-pipeline方式实现文本摘要任务
07:49
Day12-15-pipeline方式实现NER任务
11:20
Day12-16-AutoModel实现文本分类任务
38:11
Day13-01-AutoModel特征提取任务的实现
25:45
Day13-02-AutoModel完形填空任务的实现
20:38
Day13-03-AutoModel阅读理解任务的实现
25:18
Day13-04-AutoModel文本摘要任务的实现
24:35
Day13-05-AutoModel实现NER任务
23:34
Day13-06-具体模型实现完形填空任务
05:12
Day13-07-中文文本分类案例介绍及文件读取
25:42
Day13-08-导入必备的工具包
09:55
Day13-09-dataloader自定义函数的实现
25:45
Day13-10-文本分类自定义模型的实现
17:18
Day13-11-模型训练过程思路解析
05:20
Day13-12-模型训练函数代码的实现
18:24
Day13-13-模型验证过程的思路分析
03:37
Day13-14-模型验证函数的代码实现
20:32
Day14-01-中文完型填空任务的数据加载
13:26
Day14-02-中文完型填空任务的自定义函数
19:34
Day14-03-中文完型填空任务的模型定义
09:35
Day14-04-中文完型填空任务的模型训练
05:07
Day14-05-中文完型填空任务的模型预测
09:57
Day14-06-中文句子关系任务自定义Dataset
19:48
Day14-07-中文句子关系任务自定义函数
15:22
Day14-08-中文句子关系任务的模型搭建及训练
06:29
Day14-09-中文句子关系任务的模型预测
09:37
Day14-10-Bert模型的架构介绍
16:49
Day14-11-Bert模型的两大预训练任务
06:02
Day14-12-BERT模型的特点
10:41
Day14-13-AlBERT模型的介绍
08:27
【课程完结】
11:29
บริการลูกค้า
ด้านบน
赛事库 课堂 2021拜年纪