?
課程目標(biāo)：
1、?全面學(xué)習(xí)大數(shù)據(jù)分析技術(shù)及自然語(yǔ)言處理技術(shù)基礎(chǔ)知識(shí)，掌握自然語(yǔ)言大數(shù)據(jù)處理的關(guān)鍵技術(shù)及應(yīng)用；
2、?幫助骨干人員了解大數(shù)據(jù)自然語(yǔ)言處理分析技術(shù)及其運(yùn)用價(jià)值，激發(fā)其管理創(chuàng)新思維；
3、?探索大數(shù)據(jù)自然語(yǔ)言處理在品質(zhì)管理、客戶體驗(yàn)?zāi)酥量ㄖ行母鳂I(yè)務(wù)推進(jìn)工作中的應(yīng)用方向；
4、?結(jié)合定制化商業(yè)應(yīng)用案例，深入分析金融同業(yè)關(guān)于大數(shù)據(jù)自然語(yǔ)言分析的應(yīng)用理念，以明晰其在卡中心創(chuàng)新業(yè)務(wù)發(fā)展價(jià)值并帶來(lái)更好的落地方案。
?
?
課程大綱：
?
|
第一課：概率論和貝葉斯方法
|
1.1?概率和分布
1.2?條件概率
1.3?貝葉斯法則
1.4?獨(dú)立性假設(shè)和樸素貝葉斯方法
1.5?樸素貝葉斯的不足
練習(xí)：
如何自動(dòng)發(fā)現(xiàn)新詞
|
|
第二課：機(jī)器學(xué)習(xí)典型方法
|
2.1?線性回歸
2.2?梯度下降法和牛頓法
2.3?支持向量機(jī)
2.4?無(wú)監(jiān)督學(xué)習(xí)
2.5 EM算法直觀體驗(yàn)
2.6 馬爾科夫理論
練習(xí)：
實(shí)現(xiàn)一個(gè)信用評(píng)級(jí)模型
|
|
第三課：自然語(yǔ)言理解的基礎(chǔ)
|
3.1?分詞?
3.2?詞性和命名實(shí)體標(biāo)注
3.3? 句法分析
3.4?語(yǔ)言模型
練習(xí)：
分別用普通語(yǔ)料和金融領(lǐng)域語(yǔ)料實(shí)現(xiàn)語(yǔ)言模型，體會(huì)其效果區(qū)別
|
|
第四課：自然語(yǔ)言處理經(jīng)典任務(wù)
|
4.1?詞的共現(xiàn)和相關(guān)
4.2?文本分類(lèi)和聚類(lèi)
4.3?信息檢索?
4.4?意圖識(shí)別
4.5?情感分析
4.6 自動(dòng)問(wèn)答
練習(xí)：
實(shí)現(xiàn)一個(gè)酒店評(píng)論分類(lèi)模型
|
|
第五課：人工智能的重要基礎(chǔ)：神經(jīng)網(wǎng)絡(luò)
|
5.1?神經(jīng)網(wǎng)絡(luò)能做什么
5.2神經(jīng)網(wǎng)絡(luò)有什么不同
5.3?神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
5.4?反向傳播的原理和問(wèn)題
5.5?CNN和RNN
5.6 深度學(xué)習(xí)的一些有趣任務(wù)（詞向量、語(yǔ)言模型等）
|
|
第六課：深度學(xué)習(xí)實(shí)踐體驗(yàn)
|
6.1?python介紹
6.2?tensorflow介紹
6.3 大數(shù)據(jù)與深度學(xué)習(xí)
練習(xí)：
閱讀ANN實(shí)現(xiàn)手寫(xiě)識(shí)別模型的代碼，并嘗試增加一層網(wǎng)絡(luò)實(shí)驗(yàn)效果
|
|
分組討論：
1.?你的部門(mén)如何更好的使用NLP—頭腦風(fēng)暴
2.?使用場(chǎng)景模擬
3. NLP方案設(shè)計(jì)
|
?
?
以上課程可以根據(jù)客戶實(shí)際情況進(jìn)行靈活調(diào)整。
