视频选集
（105/129）
1.1课程简介及推荐书目
06:17
1.2NLP的研究领域及应用
08:35
1.3自然语言的6个重要术语
06:13
1.4语言学的发展史1
17:59
1.5语言学的发展史2
13:47
1.6语言学的发展史3
20:37
1.7函数
03:15
1.8向量与向量的模
04:14
1.9矩阵和矩阵运算
09:26
1.10凸集合和凸函数
02:55
2.1主观概率和客观概率
05:19
2.2概率模型与条件概率
09:49
2.3贝叶斯原理与推理
14:16
2.4随机变量：二项式概率
11:38
2.5随机变量：期望与方差
09:32
2.6随机变量：联合概率
03:07
2.7伯努利分布和二项式分布
11:43
2.8多项式分布、伽玛分布和Beta分布
07:16
2.9泊松分布、高斯分布、对数正态分布和指数分布
07:37
2.10辛普森悖论和贝叶斯概率解题实例
15:57
3.1语言的进化：来自自然选择的社会协作
14:04
3.2语言的进化：语言游戏与摩斯密码
13:06
3.3语言与智能：信息熵
13:41
3.4语言与智能：交叉熵的定义
14:19
3.5语义的进化
14:09
3.6语言模型：语言概率
05:17
3.7词袋模型
07:18
3.8二元语言模型：CR情感分析
16:30
4.1三元语言模型
16:25
4.2语言模型评价：交叉熵
07:09
4.3语言模型评价：Perplexity（困惑度）
07:57
4.4语言评价模型：Interpolation（插值法）
03:55
4.5概率模型：垃圾邮件分类
13:49
4.6概率模型：拼写检查
19:20
4.7语音模型和机器翻译模型
05:08
4.8中文构词法
11:45
4.9最大化匹配
03:52
4.10N-Gram模型
03:47
4.11Optimal Path最优路径模型
01:41
4.12中文分词工具：Jieba
05:41
5.1词表达
05:46
5.2语义相似度
10:39
5.3TF-IDF权重处理
05:29
5.4One-Hot表达
05:09
5.5神经网络基础
12:14
5.6神经网络：反向传播1
07:44
5.7神经网络：反向传播2
17:19
5.8Word2Vec-Part1
14:56
5.9Word2Vec-Part2
14:49
5.10Word2Vec-Part3
14:26
6.1什么是词性标注（POS Tagging）
07:41
6.2词性标注的方法
06:34
6.3词性的标注类别和标注集
08:09
6.4规则标注和N-Gram方法
04:36
6.5从混合模型到HMM
10:26
6.6混合模型详解1：EM模型
18:39
6.7混合模型详解2：EM模型
13:31
6.8混合模型详解3：高斯混合模型
08:40
6.9混合模型详解4：隐马尔科夫模型
13:48
6.10混合模型详解5：隐马尔科夫模型
14:08
7.1概率图模型：贝叶斯网络（有向无环图）
06:16
7.2概率图模型：分层图模型
03:37
7.3概率图模型：隐马尔科夫链
02:45
7.4隐马尔科夫模型的推导1
14:48
7.5隐马尔科夫模型的推导2
16:45
7.6隐马尔科夫模型的推导3
16:59
7.7隐马尔科夫模型的推导4
16:01
7.8PLSA主题模型1
10:15
7.9PLSA主题模型2
08:56
8.1向量表达和潜在语义索引（LSI）
05:54
8.2LDA和狄利克雷分布
11:42
8.3LDA主题模型
13:57
8.4主题模型的深化与对比
16:11
8.5语义距离（Semantic Distance）
07:13
8.6中文LDA模型：Word-Base和Character-Base
05:48
8.7实验报告：困惑度（Perplexity）
03:27
8.8实验报告：文本分类准确度
06:29
8.9中英双语料库实验
02:58
8.10实验报告：文本语义相似度
04:42
8.11延展实验：主题模型引入字词关系的实现.
12:22
8.12实验总结
03:30
9.1上下文无关句法（CFG）-Part1
19:46
9.2上下文无关句法（CFG）-Part2
17:11
9.3概率上下文无关句法（PCFG）-Part1
20:56
9.4概率上下文无关句法（PCFG）-Part2
20:25
9.5概率上下文无关句法（PCFG）-Part3
19:45
10.1机器翻译(Machine Translation）-Part1
14:00
10.2机器翻译(Machine Translation）-Part2
12:50
10.3机器翻译(Machine Translation）-Part3
21:42
10.4机器翻译(Machine Translation）-Part4
12:59
10.5机器翻译(Machine Translation）-Part5
15:51
10.6机器翻译(Machine Translation）-Part6
14:18
11.1神经元
04:33
11.2全连接网络及特性
16:19
11.3Auto-Encode 自编码器
05:04
11.4反向传播（BP）
32:43
11.5卷积神经网络（CNN）的理解
05:58
11.6CNN的基本原理：卷积核、权重和池化
09:11
11.7CNN的计算过程
12:40
11.8CNN如何应用在自然语言处理中
15:53
12.1循环神经网络的基本原理
16:50
12.2Elman Network和Jordan Network
02:33
12.3LSTM的核心思想
11:18
12.4LSTM的分步实现详解
16:16
12.5Encoder-Decoder框架
11:55
12.6Seq2Seq模型
21:00
12.7注意力机制（Attention Mechanism）
15:13
13.1注意力机制产生的背景回顾
18:05
13.2注意力模型的实现原理
07:27
13.3注意力模型的应用领域
06:49
13.4记忆网络（Memory Network）的组成
12:22
13.5记忆网络的计算过程和实现方法
19:03
13.6匹配函数（Match Function）
03:40
13.7注意力模型的延展1：Neural Programmer
05:48
13.8注意力模型的延展2：神经图灵机
20:24
14.1UT的典型结构：Stack of Encoder and Decoder
07:00
14.2Self-Attention的计算
14:57
14.3Multi-Head Attention和前向反馈神经网络FFNN
08:29
14.4位置编码（Positional Encoding）
04:08
14.5层泛化（Lay Normalization）
05:19
14.6Softmax Layer：交叉熵和损失函数的计算
09:48
14.7ACT模型（Adaptive Computation Time）
22:12
14.8Universal Transformer的完整实现流程
05:39
15.1自然语言研究可行方向：知识图谱与深度学习的结合
05:47
15.2语义关系计算与知识库
12:48
15.3知识库推理学习：Neural Tensor Network
15:06
15.4跨媒体信息搜索：CMIR
09:26
15.5文本图卷积网络（Text GCN）
24:58
15.6NLP未来的探索方向
07:12
顶部