• 稀牛-AI人工智能工程师-NLP必备技能资源简介:
  •  AI人工智能工程师-NLP必备技能主要指的是在自然语言处理(NLP)领域中,作为人工智能工程师应具备的必要技能。这些技能包括但不限于:
  • 自然语言处理基础知识:掌握自然语言处理的基本概念、原理和常用算法,了解语言学的基础知识。
  • 机器学习和深度学习:熟悉常用的机器学习和深度学习算法,并能应用于NLP任务中,如文本分类、情感分析、机器翻译等。
  • 文本表示与向量化:了解和掌握常用的文本表示方法,如词袋模型、TF-IDF、word2vec等,能够将文本数据转化为向量表示。
  • 语言模型和序列模型:熟悉语言模型的概念和常用模型,如N-gram、循环神经网络(RNN)、长短期记忆网络(LSTM)等,并能应用于文本生成、语音识别等任务。
  • 实体识别和关系抽取:了解实体识别和关系抽取的基本方法和算法,能够从文本中提取出命名实体和实体之间的关系。
  • 情感分析和情感推理:熟悉情感分析的方法和技术,能够判断文本中的情感倾向,并进行情感推理。
  • 机器翻译和问答系统:了解机器翻译和问答系统的基本原理和方法,能够实现基于NLP的自动翻译和问答功能。
  • 除了以上的必备技能外,作为AI工程师在NLP领域还需要具备数据处理和清洗、模型评估和调优、算法优化等相关技能。总之,稀牛的AI人工智能工程师-NLP必备技能旨在帮助工程师全面掌握NLP领域的知识和技术,能够应用于实际的项目中。
  • 课程目录
  • ├──01-自然语言处理基础知识与操作
  • |   ├──第二章英文文本处理与解析
  • |   |   ├──【实战】nltk工具库英文文本处理案例.mp4  139.99M
  • |   |   ├──【实战】spacy工具库英文文本处理案例.mp4  413.95M
  • |   |   ├──【实战】基于python的英文文本相似度比对.mp4  122.75M
  • |   |   ├──【实战】简易文本情感分析器构建.mp4  34.02M
  • |   |   ├──英文文本解析任务介绍:分词、去停用词、提取词干等.mp4  69.12M
  • |   |   ├──章概述.mp4  13.90M
  • |   |   └──章小结.mp4  24.52M
  • |   ├──第三章中文文本处理与解析
  • |   |   ├──jieba工具库介绍.mp4  498.41M
  • |   |   ├──【实战】python新闻网站关键词抽取.mp4  44.70M
  • |   |   ├──【实战】python中文文本清洗、处理与可视化.mp4  168.51M
  • |   |   ├──章概述.mp4  7.38M
  • |   |   ├──章小结.mp4  35.26M
  • |   |   ├──中文文本处理任务介绍:分词、去停用词、ngram.mp4  209.10M
  • |   |   └──中文文本解析任务介绍:词性分析、依赖分析等.mp4  151.12M
  • |   └──第一章自然语言处理基础
  • |   |   ├──模式匹配与正则表达式.mp4  431.25M
  • |   |   ├──文本数据、字、词、term.mp4  182.51M
  • |   |   ├──一章概述.mp4  6.26M
  • |   |   ├──一章小结.mp4  58.75M
  • |   |   ├──字符串处理.mp4  370.12M
  • |   |   └──字符串基本处理与正则表达式文本匹配与替换.mp4  492.86M
  • ├──02-语言模型与应用
  • |   ├──第二章统计语言模型与神经语言模型构建
  • |   |   ├──【实战】kenlm工具库使用及语言模型生成.mp4  189.76M
  • |   |   ├──【实战】基于kenlm的简易拼写纠错.mp4  174.21M
  • |   |   ├──【实战】基于pytorch的语言模型训练.mp4  247.99M
  • |   |   ├──基于rnn的神经语言模型.mp4  647.21M
  • |   |   ├──基于统计的语言模型构建.mp4  220.51M
  • |   |   ├──章概述.mp4  29.84M
  • |   |   └──章小结.mp4  102.33M
  • |   ├──第一章语言模型与应用
  • |   |   ├──ngram应用:词性标注、中文分词、机器翻译与语音识别.mp4  397.08M
  • |   |   ├──ngram语言模型.mp4  240.13M
  • |   |   ├──假设性独立与联合概率链规则.mp4  67.24M
  • |   |   ├──章概述.mp4  25.92M
  • |   |   └──章小结.mp4  35.46M
  • |   ├──考核作业.zip  221.70kb
  • |   └──课件与代码.zip  8.65M
  • ├──03-文本表示
  • |   ├──第二章-文本表示进阶
  • |   |   ├──01章概述.mp4  50.13M
  • |   |   ├──02-预训练在图像领域的应用.mp4  322.03M
  • |   |   ├──03-elmo基于上下文的word embedding.mp4  319.96M
  • |   |   ├──04-gpt transformer建模句子信息.mp4  566.71M
  • |   |   ├──05-bert 预训练双向transformer.mp4  708.94M
  • |   |   ├──06-基于bert进行fine-tuning.mp4  176.06M
  • |   |   └──07章小结.mp4  52.20M
  • |   ├──第一章-文本词与句的表示
  • |   |   ├──01章概述.mp4  36.86M
  • |   |   ├──02-文本表示概述.mp4  129.10M
  • |   |   ├──03-文本离散表示:词袋模型与tf-idf.mp4  305.20M
  • |   |   ├──04-文本分布式表示:word2vec.mp4  279.58M
  • |   |   ├──05-【实战】python中文文本向量化表示.mp4  121.62M
  • |   |   ├──06-【实战】基于gensim的中文文本词向量训练与相似度匹配.mp4  286.17M
  • |   |   └──07章小结.mp4  28.11M
  • |   └──考核作业.zip  61.54kb
  • ├──04-文本分类
  • |   ├──第二章-文本分类深度学习模型与实战
  • |   |   ├──01章概述.mp4  5.44M
  • |   |   ├──02-词嵌入与fine-tuning.mp4  12.72M
  • |   |   ├──03-基于卷积神经网络的文本分类.mp4  264.69M
  • |   |   ├──04-基于lstm的文本分类.mp4  123.65M
  • |   |   ├──05-transformerself-attention介绍.mp4  62.14M
  • |   |   ├──06-使用tensorflow构建卷积神经网络完成新闻分类.mp4  105.84M
  • |   |   ├──07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4  10.41M
  • |   |   └──08章小结.mp4  7.39M
  • |   ├──第一章-文本分类机器学习模型与实战
  • |   |   ├──01章概述.mp4  55.82M
  • |   |   ├──02-朴素贝叶斯模型与中文文本分类.mp4  395.33M
  • |   |   ├──03-逻辑回归 _svm与文本分类.mp4  1.25G
  • |   |   ├──04-facebook fasttext原理与操作.mp4  366.85M
  • |   |   ├──05-【实战】python中文新闻分类.mp4  214.96M
  • |   |   ├──06-【实战】基于fasttext的文本情感分析.mp4  183.86M
  • |   |   └──07章小结.mp4  73.19M
  • |   └──考核作业.zip  99.19kb
  • ├──05-文本主题抽取与表示
  • |   ├──第一章-文本主题抽取与表示
  • |   |   ├──01章小结.mp4  6.57M
  • |   |   ├──02-基于tf-idf与text-rank的主题词抽取.mp4  16.35M
  • |   |   ├──03-监督学习与文本打标签.mp4  6.58M
  • |   |   ├──04-无监督学习与lda主题模型.mp4  182.60M
  • |   |   ├──05基于python的中文关键词抽取与可视化.mp4  6.55M
  • |   |   ├──06-基于lda的新闻主题分析与可视化呈现.mp4  39.47M
  • |   |   └──07章小结.mp4  7.20M
  • |   └──考核作业.zip  42.93kb
  • ├──06-序列到序列模型
  • |   ├──第一章-序列到序列模型与应用
  • |   |   ├──01章概述.mp4  5.78M
  • |   |   ├──02-从rnn到seq2seq模型.mp4  6.01M
  • |   |   ├──03-编码解码模型.mp4  12.59M
  • |   |   ├──04-seq2seq模型详解.mp4  45.24M
  • |   |   ├──05-注意(attention)机制.mp4  36.38M
  • |   |   ├──06-tensorflow seq2seq模型使用方法详解.mp4  177.54M
  • |   |   ├──07-基于seq2seq的文本摘要生成实现.mp4  148.80M
  • |   |   └──08章总结.mp4  72.69M
  • |   └──考核作业.zip  47.73kb
  • ├──07-文本生成
  • |   ├──第一章-文本生成与自动创作
  • |   |   ├──01章概述.mp4  2.42M
  • |   |   ├──02-基于rnn lstm的语言模型回顾.mp4  10.51M
  • |   |   ├──03-基于语言模型的文本生成原理.mp4  2.04M
  • |   |   ├──04-【实战】基于lstm的唐诗生成器.mp4  67.12M
  • |   |   ├──05-基于seq2seq的文本序列生成原理.mp4  9.20M
  • |   |   ├──06-【实战】基于seq2seq的对联生成器.mp4  96.68M
  • |   |   └──07章小结.mp4  14.87M
  • |   └──考核作业.zip  71.06kb
  • ├──08-机器翻译
  • |   └──第一章-机器翻译:双语翻译
  • |   |   ├──01-统计机器翻译
  • |   |   ├──02-基于seq2seq的机器翻译模型
  • |   |   ├──03-fackbook基于CNN的机器翻译模型
  • |   |   └──04-来自Google的Transformer模型
  • ├──09-聊天机器人
  • |   └──第一章-聊天机器人:机器客服与语音助手
  • |   |   ├──01-基于内容匹配的聊天机器人
  • |   |   └──02-基于seq2seq的聊天机器人
  • ├──10-视觉文本任务:看图说话
  • |   ├──01-看图说话问题与实现
  • |   |   ├──1.1 本章概述.mp4  2.86M
  • |   |   ├──1.2 “看图说话”问题介绍.mp4  7.81M
  • |   |   ├──1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4  67.26M
  • |   |   ├──1.4 注意力模型与“看图说话”优化.mp4  26.76M
  • |   |   ├──1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4  105.95M
  • |   |   ├──1.6 【实战】基于attention model的“看图说话”实现.mp4  27.92M
  • |   |   └──1.7 本章小结.mp4  1.84M
  • |   └──02-视觉问答机器人(VQA)原理与实现
  • |   |   ├──2.1 本章概述.mp4  1.61M
  • |   |   ├──2.2 视觉问答机器人问题介绍.mp4  34.82M
  • |   |   ├──2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4  30.93M
  • |   |   ├──2.4 基于注意力(attention)的深度学习vqa实现方案.mp4  16.18M
  • |   |   ├──2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4  24.39M
  • |   |   ├──2.6【实战】基于attention的深度学习vqa模型实现.mp4  41.58M
  • |   |   └──2.7 本章小结.mp4  1.67M
  • └──11-文本相似度计算与文本匹配问题
  • |   ├──01-文本相似度计算与文本匹配问题
  • |   |   ├──1.1 本章概述.mp4  5.89M
  • |   |   ├──1.2 文本相似度问题与应用.mp4  9.06M
  • |   |   ├──1.3 传统文本相似度计算方式:编辑距离、simhash、word2vec.mp4  148.01M
  • |   |   ├──1.4 【实战】编辑距离计算python实现.mp4  23.46M
  • |   |   ├──1.5 【实战】基于simhash的相似文本判断.mp4  62.75M
  • |   |   ├──1.6 【实战】词向量word averaging.mp4  24.75M
  • |   |   ├──1.7 本章小结.mp4  2.36M
  • |   |   └──第1章文本相似度问题与应用场景.pdf  7.49M
  • |   └──02-基于深度学习的文本语义匹配
  • |   |   ├──2.1 本章概述.mp4  2.93M
  • |   |   ├──2.2 基于深度学习的句子相似度模型.mp4  32.12M
  • |   |   ├──2.3 dssm(deep structured semantic models)模型详解.mp4  20.85M
  • |   |   ├──2.4 drmm(deep relevance matching model)模型详解.mp4  21.39M
  • |   |   ├──2.5【实战】基于lstm的监督学习语义表达抽取.mp4  81.31M
  • |   |   ├──2.6【实战】基于dssm的问题语义相似度匹配案例.mp4  25.91M
  • |   |   ├──2.7【实战】基于drmm的问答匹配案例.mp4  21.68M
  • |   |   ├──2.8 本章小结.mp4  3.94M
  • |   |   └──第2章基于深度学习的文本语义匹配.pdf  7.84M