投稿

基于机器学习的自然语言处理

3229

8

2020-03-06 21:08:39

未经作者授权，禁止转载

自然语言处理

宋元12356 发消息

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