課程大綱： NLP自然語言處理技術(shù)培訓
模塊一 NLP和深度學習發(fā)展概況和新動態(tài)
1. NLP歷史現(xiàn)在及為什么需要學習NLP技術(shù)
2. NLP實現(xiàn)機器學習，聊天機器人，情感分析和語義搜索
模塊二 NLP與PYTHON編程
3. Python環(huán)境搭建及開發(fā)工具安裝
4. NLP常用PYTHON開發(fā)包的介紹
5. Jieba安裝、介紹及使用
6. Stanford NLP 在Python環(huán)境中安裝、介紹及使用
7. Hanlp 在Python環(huán)境中安裝、介紹及使用
模塊三 快速掌握NLP技術(shù)之分詞、詞性標注和關(guān)鍵字提取
08. 分詞、詞性標注及命名實體識別介紹及應(yīng)用
09. 準確分詞之加載自定義字典分詞
10. 準確分詞之動態(tài)調(diào)整詞頻和字典
11. 詞性標注代碼實現(xiàn)及信息提取
12. 人名、地名、機構(gòu)名等關(guān)鍵命名實體識別
13. TextRank算法原理介紹
14. 基于TextRank關(guān)鍵詞提取
模塊四 句法與文法
16. 依存句法與語義依存分析
17. 依存句法樹解析（子樹遍歷，遞歸搜索，葉子節(jié)點提取等）
18. 名詞短語塊挖掘
19. 自定義語法與CFG
模塊五 N-GRAM文本挖掘
20. N-GRAM算法介紹
21. N-GRAM生成詞語對
22. TF-IDF算法介紹應(yīng)用
23. 基于TF-IDF挖掘符合語言規(guī)范的N-GRAM
模塊六 表示學習與關(guān)系嵌入
24. 語言模型
25. 詞向量
26. 深入理解Word2vec算法層次sofmax
27. 深入理解Word2vec算法負采樣
28. 6.4 基于Word2vec技術(shù)的詞向量、字向量訓練
模塊七 深度學習之卷積神經(jīng)網(wǎng)絡(luò)
29. BP神經(jīng)網(wǎng)絡(luò)
30. 徹底理解深度學習指卷積神經(jīng)網(wǎng)絡(luò)
31. CNN文本分類
32. CNN文本分類算法模塊
33. CNN文本分類模型詳解數(shù)據(jù)預(yù)處理
34. CNN文本分類模型測試與部署
模塊八 深度學習之遞歸神經(jīng)網(wǎng)絡(luò)
35. 遞歸網(wǎng)絡(luò)
36. LSTM
37. LSTM文本分類原理
38. LSTM文本分類代碼架構(gòu)
39. LSTM文本分類代碼詳解
40. LSTM文本分類模型預(yù)測與部署
模塊九 特定領(lǐng)域命名實體識別NER技術(shù)
41. 基于深度學習醫(yī)藥保險命名實體識別課題背景介紹
42. 醫(yī)藥保險命名實體和實體關(guān)系體系建立和命名實體分類規(guī)范
43. 醫(yī)藥保險命名實體識別相關(guān)前沿技術(shù)和難點
44. 基于深度學習醫(yī)藥保險命名實體識別的算法模塊設(shè)計
45. 數(shù)據(jù)的采集，清洗，數(shù)據(jù)機器自動標注及轉(zhuǎn)化為深度學習格式
46. 模型本地Lib庫封裝
47. 部署tensorflow訓練好的模型為云服務(wù)
48. 算法設(shè)計及代碼實現(xiàn)
49. 代碼調(diào)試，參數(shù)優(yōu)化及深度剖析（深入理解）
加入高級會員獲得助教答疑
