NLP自然语言处理集训营2
- 第1章: 课程宣传片
- 免费 任务1： 自然语言处理训练营
- 第2章: 课程介绍以及NLP概论
- 任务2： 训练营介绍 课程体系介绍
- 任务3： NLP定义以及歧义性
- 任务4： 案例：机器翻译01
- 任务5： 案例：机器翻译02
- 任务6： NLP的应用场景
- 任务7： NLP的关键技术
- 任务8： 算法复杂度介绍
- 任务9： 课后答疑
- 第3章: 时间复杂度与问答系统
- 任务10： 简单的复杂度的回顾
- 任务11： 归并排序
- 任务12： Master Theorem
- 任务13： 斐波那契数的时间复杂度
- 任务14： 斐波那契数的空间复杂度
- 任务15： 斐波那契数的循环实现
- 任务16： P vs NP vs NP Hard vs NP Complete
- 任务17： 问答系统介绍
- 第4章: Review Session 1
- 任务18： Review 一只狗和两只猫的故事 ——心理学与DL,RL-01
- 任务19： Review 一只狗和两只猫的故事 ——心理学与DL,RL-02
- 第5章: 文本处理技术(1)
- 任务20： 文本处理的流程
- 任务21： 分词-前向最大匹配
- 任务22： 分词-后向最大匹配
- 任务23： 分词-考虑语言模型
- 任务24： 分词-维特比算法
- 任务25： 拼写错误纠正
- 第6章: 文本处理技术(2) ------ 19年2月12日
- 任务26： 拼写纠错（2）
- 任务27： 拼写纠错（3）
- 任务28： 停用词过滤，Stemming操作
- 任务29： 文本的表示
- 任务30： 文本的相似度
- 任务31： tf-idf 文本表示
- 任务32： 词向量介绍
- 任务33： 学习词向量
- 任务34： 倒排表
- 第7章: 语言模型———19年2月14日
- 任务35： Noisy Channel Model
- 任务36： 语言模型介绍
- 任务37： Chain Rule和Markov Assumption
- 任务38： Unigram, Bigram, N-gram
- 任务39： 估计语言模型的概率
- 任务40： 评估语言模型：Perplexity
- 任务41： Add-one Smoothing
- 任务42： Add-K Smoothing
- 任务43： Interpolation
- 第8章: Review 基于几个例子，书写动态规划-------19年2月16日
- 任务44： 2019.2.17Review 基于几个例子，书写动态规划-01
- 任务45： 2019.2.17Review 基于几个例子，书写动态规划-02
- 任务46： 2019.2.17Review 基于几个例子，书写动态规划-03
- 第9章: 拼写纠错实战（语言模型，Noisy Channel Model）------19年2月16日
- 任务47： Lesson6直播
- 第10章: 专家系统与朴素贝叶斯------19年2月19日
- 任务48： 01在训练数据里没有见过的怎么处理？
- 任务49： 02Good-Turning Smoothing
- 任务50： 03利用语言模型生成句子
- 任务51： 04专家系统与基于概率统计学习
- 任务52： 05专家系统介绍
- 任务53： 06逻辑推理
- 任务54： 07Case Study 风控
- 任务55： 08一些难题
- 任务56： 09机器学习介绍01
- 任务57： 10机器学习介绍02
- 任务58： 11朴素贝叶斯介绍
- 任务59： 12Case Study 垃圾邮件过滤
- 第11章: Python函数式编程-----2019年2月21日
- 任务60： lambda表达式
- 任务61： map函数的应用
- 任务62： filter过滤器
- 任务63： reduce函数
- 任务64： python三大推导式
- 任务65： 闭包
- 任务66： 装饰器一
- 任务67： 装饰器二
- 第12章: Python数据处理-----2019年2月21日
- 任务68： 初识numpy
- 任务69： numpy数组的创建
- 任务70： numpy的矢量化运算
- 任务71： numpy的花式索引
- 任务72： numpy数组转置和轴对换
- 任务73： 条件逻辑转数组
- 任务74： 数学运算与排序
- 任务75： numpy文件处理
- 任务76： 线性代数函数和随机漫步例子
- 第13章: 词性标注-实战 （2019年2月23日）
- 任务77： 词性标注-实战（1）
- 任务78： 词性标注--实战（2）
- 任务79： 词性标注-实战（3）
- 任务80： 词性标注-实战（4）
- 任务81： 词性标注-实战（5）
- 第14章: Pandas与Matplotlib-----2019年2月26日
- 任务82： 初识series类型
- 任务83： 初识dataframe
- 任务84： 重新索引、数学运算和数据对齐
- 任务85： dataframe和series之间的运算和排序
- 任务86： 层次化索引
- 任务87： dataframe的层次化索引的访问和汇总运算
- 任务88： pandas读写csv文件
- 任务89： pandas读取excel文件并画图
- 任务90： matplotlib可视化及学习方法建议
- 第15章: Python爬虫框架Scrapy的使用-----2019年2月26日
- 任务91： 虚拟环境的搭建
- 任务92： 创建第一个爬虫项目
- 任务93： 调试运行爬虫程序
- 任务94： 13-scrapy shell调试方法进行元素定位
- 任务95： 访问首页列表中的url
- 任务96： 获取帖子标题和内容
- 任务97： 处理帖子内容中的特殊标签
- 任务98： 获取帖子发送时间及位于的楼数
- 任务99： 爬虫的bug调试与修复
- 任务100： 数据持久化代码开发
- 任务101： 数据入库
- 第16章: 2019.2.24Review importance sample negtive sample nce
- 任务102： importance sample negtive sample nce-01
- 任务103： importance sample negtive sample nce-02
- 任务104： importance sample negtive sample nce-03
- 第17章: 逻辑回归-----2019年2月28日
- 任务105： 精确率和召回率
- 任务106： 逻辑回归介绍
- 任务107： 逻辑回归是线性分类器
- 任务108： 逻辑回归的目标函数
- 任务109： 梯度下降法
- 任务110： 逻辑回归的梯度下降法
- 任务111： 当线性可分的时候
- 第18章: Review 关于面试的话题-----2019年3月2日
- 任务112： 关于面试的话题-01
- 任务113： 关于面试的话题-02
- 任务114： 关于面试的话题-03
- 第19章: 直播-----2019年3月2日
- 任务115： 直播-01
- 任务116： 直播-02
- 任务117： 直播-03
- 任务118： 直播-04
- 任务119： 直播-05
- 任务120： 直播-06
- 任务121： 直播-07
- 任务122： 直播-08
- 任务123： 直播-09
- 任务124： 直播-10
- 任务125： 直播-11
- 第20章: -----2019年3月5日
- 任务126： 当数据线性可分割的时候
- 任务127： 限制参数变得太大
- 任务128： 模型复杂度与过拟合
- 任务129： 怎么避免过拟合
- 任务130： 正则介绍
- 任务131： L1 VS L2
- 第21章: Review 数据结构串讲-----2019年3月9日
- 任务132： review 数据结构串讲-01
- 任务133： review 数据结构串讲-02
- 第22章: 2019年3月9日 直播
- 任务134： Affective Computing & 情绪识别实战
- 任务135： 交叉验证（1）
- 任务136： 交叉验证（2）
- 任务137： 正则的作用
- 任务138： MLE VS MAP介绍
- 任务139： 正则的使用
- 第23章: -----2019年3月12日
- 任务140： 交叉验证
- 任务141： 参数搜索策略
- 任务142： 高级：正则的灵活应用
- 任务143： 总结
- 任务144： MLE与MAP
- 第24章: -----2019年3月15日
- 任务145： Lasso Regression介绍
- 任务146： 特征选择技术
- 任务147： LASSO介绍
- 任务148： Coordinate Descent
- 任务149： Coordinate Descent for LASSO
- 任务150： 其他LASSO Solver
- 第25章: Review 变分推断 指数族家族 lda---20190316
- 任务151： 变分推断 指数族家族 lda
- 第26章: Optimization---20190316 直播
- 任务152： Optimization
- 任务153： Optimization is Everywhere
- 任务154： Optimization - Categories
- 任务155： Convex Optimization-Global vs Local Optimal
- 任务156： 判断一个函数是凸函数
- 任务157： 解决一个具体问题1
- 任务158： 解决一个具体问题2
- 第27章: ---2019年3月21日
- 任务159： 回顾凸函数
- 任务160： 介绍Set Cover Problem
- 任务161： Approach1- Exhaustive Search
- 任务162： Approach2-贪心算法
- 任务163： Approach3-Optimization
- 任务164： 总结
- 任务165： 回顾-逻辑回归的梯度下降法
- 任务166： 梯度下降法的复杂度
- 任务167： 梯度下降法的收敛分析
- 任务168： 凸函数性质以及L-Lipschitz条件
- 任务169： 收敛性推导
- 第28章: ---2019年3月22日
- 任务170： Linear Classifier
- 任务171： Margin的计算
- 任务172： SVM的目标函数：Hard constraint
- 任务173： SVM的目标函数：Soft constraint
- 任务174： Hinge Loss
- 任务175： Primal-Dual介绍
- 第29章: Review attention transformer bert
- 任务176： attention transformer bert-01
- 任务177： attention transformer bert-02
- 第30章: Capstone项目介绍---2019.03.26
- 任务178： Capstone项目介绍
- 第31章: ---2019年3月26日
- 任务179： LinearSVM的缺点
- 任务180： 数据映射到高维
- 任务181： 拉格朗日-等号条件处理
- 任务182： 拉格朗日-不等号条件处理
- 任务183： KKT条件
- 任务184： SVM的KKT条件
- 任务185： Primal-Dual介绍
- 任务186： SVM的Dual推导
- 任务187： Kernel Trick
- 第32章: ---2019年3月23日
- 任务188： 信息抽取介绍 直播
- 任务189： 命名实体识别介绍
- 任务190： 简历分析场景
- 任务191： 搭建NER分类器
- 任务192： 方法介绍
- 任务193： 基于规则的方法
- 任务194： 投票决策方法
- 任务195： 特征工程与特征表示01
- 任务196： 特征工程与特征表示02
- 任务197： 问答
- 第33章: --2019年3月28日
- 任务198： 信息抽取介绍
- 任务199： Ontological Relation
- 任务200： 关系抽取方法介绍
- 任务201： 基于规则的方法
- 任务202： 基于监督学习的方法
- 第34章: 20190330 Review Session： cnn rnn transformer对比
- 任务203： cnn rnn transformer对比-01
- 任务204： cnn rnn transformer对比-02
- 第35章: ---2019年3月30日 直播
- 任务205： 关系抽取
- 任务206： bootstrap算法的缺点
- 任务207： SnowBall算法
- 任务208： 生成模板
- 任务209： 生成tuple与模板评估
- 任务210： 评估记录+过滤
- 任务211： SnowBall总结
- 第36章: --2019年4月2日
- 任务212： Entity Disambiguation (实体消歧)介绍
- 任务213： 实体消歧算法
- 任务214： Entity Resolution(实体统一)
- 任务215： 实体统一算法
- 任务216： Co-reference Resolution(指代消解)介绍
- 第37章: --2019年4月9日
- 任务217： 什么是句法分析
- 任务218： 句法分析的应用
- 任务219： 语法
- 任务220： PCFG
- 任务221： 评估语法树
- 任务222： 寻找最好的树
- 任务223： CNF Form
- 任务224： CKY算法
- 第38章: --2019年4月11日
- 任务225： 时序模型
- 任务226： HMM的介绍
- 任务227： HMM的应用例子
- 任务228： HMM的参数
- 任务229： HMM中的Inference问题
- 任务230： HMM中的F B算法1
- 任务231： HMM中的F B算法2
- 任务232： HMM中的F B算法3
- 第39章: --2019年4月13日 直播
- 任务233： Data Representation
- 任务234： Latent Variable Models
- 任务235： Complete vs Incomplete Case
- 任务236： MLE for Complete and Incomplete Case
- 任务237： EM Derivation
- 任务238： Remarks on EM
- 任务239： K-means
- 任务240： K-means Cost Function
- 任务241： MLE for GMM
- 第40章: 20190413 Review 模拟面试(mp3)
- 任务242： 模拟面试(mp3)-01
- 任务243： 模拟面试(mp3)-02
- 第41章: --2019年4月18日
- 任务244： HMM中的参数
- 任务245： Complete vs Incomplete Case
- 任务246： Complete Case
- 任务247： Incomplete Case
- 任务248： EM算法回顾
- 任务249： F B算法回顾
- 任务250： 估计PI
- 任务251： 估计B
- 任务252： 估计A
- 第42章: 20190420 Review 公司实际项目串讲
- 任务253： 公司实际项目串讲-01
- 任务254： 公司实际项目串讲-02
- 任务255： 公司实际项目串讲-03
- 第43章: --2019年4月20日
- 任务256： 有向图与无向图模型
- 任务257： 生成模型与判别模型
- 任务258： Log-Linear Model
- 任务259： Log-Linear Model与多元逻辑回归
- 任务260： CRF介绍
- 任务261： Inference问题
- 任务262： 参数估计
- 第44章: --2019年4月24日
- 任务263： wordvector词向量
- 任务264： Global Generation of Distributed Representation
- 任务265： How to Learn Word2Vec-Intuition
- 任务266： Skip-Gram Model
- 任务267： 语料库
- 任务268： Word2Vec代码
- 第45章: --2019年4月26日
- 任务269： 训练SkipGram问题
- 任务270： SkipGram另一种目标函数构建
- 任务271： SkipGram的negative sampling
- 任务272： 评估词向量
- 任务273： 词向量在推荐系统中的应用
- 第46章: 20190427 Review 梯度提升树
- 任务274： 梯度提升树
- 任务275： 答疑
- 第47章: --2019年4月27日 直播
- 任务276： Word2vec
- 任务277： Learning with Subword
- 任务278： When subword is needed
- 任务279： Learn Embedding from Language Model
- 任务280： What are potential solutions
- 任务281： Elmo at Glance
- 任务282： Category of Word Representation
- 第48章: 20190430 神经网络
- 任务283： 神经网络介绍
- 任务284： 激活函数
- 任务285： MLP
- 任务286： 多层神经网络
- 任务287： Universal Approximation Theorem
- 任务288： Biological Inspiration
- 第49章: --20190507 梯度计算
- 任务289： 回顾神经网络
- 任务290： 神经网络的损失函数
- 任务291： BP算法的核心流程
- 任务292： 对输出层的梯度计算
- 任务293： 对隐含层的梯度计算
- 任务294： 对参数的梯度计算
- 任务295： 对BP算法的总结
- 第50章: --20190509
- 任务296： gradient checking
- 任务297： 深度学习与非凸函数
- 任务298： 深度学习中的Plateau
- 任务299： SGD的收敛条件
- 任务300： Early Stopping
- 任务301： 为什么需要递归神经网络？
- 任务302： 递归神经网络介绍
- 任务303： 语言模型
- 任务304： RNN的深度
- 任务305： 梯度爆炸和梯度消失
- 任务306： Gradient Clipping
- 任务307： LSTM的介绍
- 任务308： LSTM的应用
- 任务309： Bi-Directional LSTM
- 任务310： Gated Recurrent Unit
- 第51章: 20190511 review 问答系统讲解
- 任务311： 问答系统讲解01
- 任务312： 问答系统讲解02
- 第52章: 2019年5月11日 直播
- 任务313： Representation Learning
- 任务314： What makes good representation-01
- 任务315： What makes good representation-02
- 任务316： What makes good representation-03
- 任务317： Why Deep
- 第53章: 2019年5月15日
- 任务318： Why Deep Learning Hard to Train
- 任务319： Ways to Solve Training
- 任务320： Dropout 介绍
- 任务321： 为什么Dropout防止过拟合现象
- 任务322： 机器翻译
- 任务323： Multimodal Learning
- 任务324： Seq2Seq模型
- 任务325： Seq2Seq训练介绍
- 任务326： Inference Decoding
- 第54章: 2019年5月17日
- 任务327： Exhaustic Search
- 任务328： Beam Search
- 任务329： 回顾Multimodal Learning
- 任务330： Attention注意力机制介绍
- 任务331： 看图说话介绍
- 任务332： 图像识别的注意力机制
- 第55章: 20190518 Review 基于GAN及强化学习的文本生成
- 任务333： 基于GAN及强化学习的文本生成-01
- 任务334： 基于GAN及强化学习的文本生成-02
- 第56章: 2019年5月18日 直播
- 任务335： 回顾Seq2Seq模型
- 任务336： Seq2Seq的Attention
- 任务337： Self-Attention1
- 任务338： Self-Attention2
- 第57章: 20190525 review 深度文本匹配
- 任务339： 深度文本匹配-01
- 任务340： 深度文本匹配-02
- 第58章: 2019年5月28日 直播
- 任务341： 回顾Attention
- 任务342： RNN LSTM-based models
- 任务343： Transformer的结构
- 任务344： Each Encoder Block
- 任务345： Self-Attention
- 任务346： Add Normalize
- 第59章: 2019年5月30日 直播
- 任务347： BERT概念
- 任务348： 回顾Language model
- 任务349： masked Language model
- 任务350： masked Language model存在的问题
- 任务351： LSTM
- 任务352： BERT训练过程
- 第60章: 2019年6月1日 直播
- 任务353： PGM领域
- 任务354： 主题模型
- 任务355： 回顾不同模型的范畴Model Estimation
- 任务356： 预测的过程
- 第61章: 20190602 review Nlp2 GD，SGD，Adagrad算法
- 任务357： GD，SGD，Adagrad算法
- 第62章: 2019年6月4日 直播
- 任务358： 回顾LDA
- 任务359： 举例说明生成的过程
- 任务360： 从官方的角度讲解生成的过程
- 任务361： α到θi的生成
- 任务362： 举例说明生成文章
- 任务363： gibbs sampler
- 第63章: 20190612 直播 collapsed gibbs sampling 1
- 任务364： collapsed gibbs sampling-01
- 任务365： collapsed gibbs sampling-02
- 任务366： collapsed gibbs sampling-03
- 任务367： collapsed gibbs sampling-04
- 任务368： collapsed gibbs sampling-05
- 第64章: 20190613 直播 collapsed gibbs sampling 2
- 任务369： 推导过程01
- 任务370： 推导过程02
- 任务371： 推导过程03
- 任务372： Gibbs采样01
- 任务373： Gibbs采样02
- 第65章: 2019年6月15日 Review
- 任务374： Web-Scale Information Extraction in KnowItAll-01
- 任务375： Web-Scale Information Extraction in KnowItAll-02
- 任务376： 核函数
- 第66章: 2019年6月15日 直播
- 任务377： 直播-01
- 任务378： 直播-02
- 任务379： 直播-03
- 任务380： 直播-04
- 任务381： 直播-05
- 任务382： 直播-06
- 任务383： 直播-07
- 第67章: 2019年6月20日 直播
- 任务384： 直播-01
- 任务385： 直播-02
- 任务386： 直播-03
- 任务387： 直播-04
- 任务388： 直播-05
- 任务389： 直播-06
- 第68章: 2019年6月22日 Review
- 任务390： 利用CRF模型做命名实体识别-01
- 任务391： 利用CRF模型做命名实体识别-02
- 任务392： 基于语料库训练Glove词向量模型-01
- 任务393： 基于语料库训练Glove词向量模型-02
- 第69章: 2019年6月22日 直播
- 任务394： GMM-01
- 任务395： GMM-02
- 任务396： GMM-03
- 第70章: 2019年6月27日 直播
- 任务397： XLNet-Bert Autoregressive LM
- 任务398： 改进思路
- 任务399： Bert 的目标函数
- 任务400： permutation
- 第71章: 2019年6月29日 Review
- 任务401： pytorch实现skip-gram
- 任务402： Airbnb（KDD 2018 best Paper）-01
- 任务403： Airbnb（KDD 2018 best Paper）-02
- 第72章: 2019年7月4日 直播
- 任务404： 直播-01
- 任务405： 直播-02
- 任务406： 直播-03
- 任务407： 直播-04
- 第73章: Review Project3讲解
- 任务408： Review Project3讲解
- 第74章: 2019年7月18日 直播
- 任务409： 直播-01
- 任务410： 直播-02
- 任务411： 直播-03
- 任务412： 直播-04
- 任务413： 直播-05
- 任务414： 直播-06
- 第75章: 高阶深度学习应用
- 第1节: Droput与Batch Normalizationo
- 第2节: Attention的原理以及应用
- 第3节: Bidirectional-LSTM详解
- 第4节: Tree-LSTM详解
- 第5节: Graph-LSTM详解
- 第6节: Bert详解
- 第76章: 深度学习的可解释性
- 第1节: 为什么要重视模型的可解释性
- 第2节: 视觉领域总的可解释性
- 第3节: First-order derivative方法
- 第4节: Layer-wise propagation方法
- 第77章: 聊天机器人深度解析
- 第1节: 聊天机器人架构概览
- 第2节: 基于Seq2Seq的闲聊引擎
- 第3节: 聊天机器人中的意图识别
- 第4节: 聊天机器人中的实体抽取
- 第5节: 聊天机器人中的对话管理系统
- 第6节: 多轮对话的实现
- 第7节: 知识图谱的使用
- 第78章: Capstone项目
.png){kind=avatar}
