自然语言处理 第二期(2.37G)

xiaoduo

『课程目录』:
├─01-第1章：自然语言与数学之美
│      1.1 课程简介及推荐书目.flv
│      1.10 凸集合和凸函数.flv
│      1.2 NLP的研究领域及应用.flv
│      1.3 自然语言的6个重要术语.flv
│      1.4 语言学的发展史 1.flv
│      1.5 语言学的发展史 2.flv
│      1.6 语言学的发展史 3.flv
│      1.7 函数.flv
│      1.8 向量与向量的模.flv
│      1.9 矩阵和矩阵运算.flv
│      
├─02-第2章：基于机器学习方法的自然语言处理
│      2.1 主观概率和客观概率.flv
│      2.10 辛普森悖论和贝叶斯概率解题实例.flv
│      2.2 概率模型与条件概率.flv
│      2.3 贝叶斯原理与推理.flv
│      2.4 随机变量：二项式概率.flv
│      2.5 随机变量：期望与方差.flv
│      2.6 随机变量：联合概率.flv
│      2.7 伯努利分布和二项式分布.flv
│      2.8 多项式分布、伽玛分布和Beta分布.flv
│      2.9 泊松分布、高斯分布、对数正态分布和指数分布.flv
│      
├─03-第三章：1、2章答疑
│      第一周答疑.flv
│      
├─04-第四章：自然语言
│      3.1 语言的进化：来自自然选择的社会协作.flv
│      3.2 语言的进化：语言游戏与摩斯密码.flv
│      3.3 语言与智能：信息熵.flv
│      3.4 语言与智能：交叉熵的定义.flv
│      3.5 语义的进化.flv
│      3.6 语言模型：语言概率.flv
│      3.7 词袋模型.flv
│      3.8 二元语言模型：CR情感分析.flv
│      
├─05-第5章：语言模型和中文分词
│      4.1 三元语言模型.flv
│      4.10 N-Gram模型.flv
│      4.11 Optimal Path 最优路径模型.flv
│      4.12 中文分词工具：Jieba.flv
│      4.2 语言模型评价：交叉熵.flv
│      4.3 语言模型评价：Perplexity(困惑度）.flv
│      4.4 语言评价模型：Interpolation(插值法).flv
│      4.5 概率模型：垃圾邮件分类.flv
│      4.6 概率模型：拼写检查.flv
│      4.7 语音模型和机器翻译模型.flv
│      4.8 中文构词法.flv
│      4.9 最大化匹配.flv
│      
├─06-第6章：第二周答疑
│      第二周答疑.flv
│      
├─07-第7章：语言技术-词表达和Word2Vec
│      5.1 词表达.flv
│      5.10 Word2Vec-Part 3.flv
│      5.2 语义相似度.flv
│      5.3 TF-IDF权重处理.flv
│      5.4 One-Hot表达.flv
│      5.5 神经网络基础.flv
│      5.6 神经网络：反向传播 1.flv
│      5.7 神经网络：反向传播 2.flv
│      5.8 Word2Vec-Part 1.flv
│      5.9 Word2Vec-Part 2.flv
│      
├─08-第8章：语言技术-词性
│      6.1 什么是词性标注（POS Tagging）.flv
│      6.10 混合模型详解5：隐马尔科夫模型.flv
│      6.2 词性标注的方法.flv
│      6.3 词性的标注类别和标注集.flv
│      6.4 规则标注和N-Gram方法.flv
│      6.5 从混合模型到HMM.flv
│      6.6 混合模型详解1：EM模型.flv
│      6.7 混合模型详解2：EM模型.flv
│      6.8 混合模型详解3：高斯混合模型.flv
│      6.9 混合模型详解4：隐马尔可夫模型.flv
│      
├─09-第9章：第三周答疑
│      第三周答疑.flv
│      
├─10-第10章：语言技术-概率图模型
│      7.1 概率图模型：贝叶斯网络（有向无环图）.flv
│      7.2 概率图模型：分层图模型.flv
│      7.3 概率图模型：隐马尔科夫链.flv
│      7.4 隐马尔可夫模型的推导 1.flv
│      7.5 隐马尔科夫模型的推导 2.flv
│      7.6 隐马尔科夫模型的推导 3.flv
│      7.7 隐马尔科夫模型的推导 4.flv
│      7.8 PLSA主题模型1.flv
│      7.9 PLSA主题模型 2.flv
│      
├─11-第11章：语言技术-文本与LDA主题模型
│      8.1 向量表达和潜在语义索引（LSI）.flv
│      8.10 实验报告：文本语义相似度.flv
│      8.11 延展实验：主题模型引入字词关系的实现.flv
│      8.12 实验总结.flv
│      8.2 LDA和狄利克雷分布.flv
│      8.3 LDA主题模型.flv
│      8.4 主题模型的深化与对比.flv
│      8.5 语义距离（Semantic Distance）.flv
│      8.6 中文LDA模型：Word-base 和 Character-Base.flv
│      8.7 实验报告：困惑度（Perplexity）.flv
│      8.8 实验报告：文本分类准确度.flv
│      8.9 中英双语料库实验.flv
│      
├─12-第12章：第四周答疑
│      第四周答疑.flv
│      
├─13-第13章：语言技术-句法
│      9.1 上下文无关句法（CFG）-Part 1.flv
│      9.2 上下文无关句法（CFG）-Part 2.flv
│      9.3 概率上下文无关句法（PCFG）- Part 1.flv
│      9.4 概率上下文无关句法（PCFG）-Part 2.flv
│      9.5 概率上下文无关句法（PCGF）-Part 3.flv
│      
├─14-第14章：机器翻译
│      10.1 机器翻译（Machine Translation）-Part 1.flv
│      10.2 机器翻译（Machine Translation）-Part 2.flv
│      10.3 机器翻译（Machine Translation）-Part 3.flv
│      10.4 机器翻译（Machine Translation）-Part 4.flv
│      10.5 机器翻译（Machine Translation）-Part 5.flv
│      10.6 机器翻译（Machine Translation）-Part 6.flv
│      
├─15-第15章：第五周答疑
│      第五周答疑.flv
│      
├─16-第16章：卷积神经网络CNN
│      11.1 神经元.flv
│      11.2 全连接网络及特性.flv
│      11.3 Auto-Encode 自编码器.flv
│      11.4 反向传播（BP）.flv
│      11.5 卷积神经网络（CNN）的理解.flv
│      11.6 CNN的基本原理：卷积核、权重和池化.flv
│      11.7 CNN的计算过程.flv
│      11.8 CNN如何应用在自然语言处理中.flv
│      
├─17-第17章：循环神经网络RNN
│      12.1 循环神经网络的基本原理.flv
│      12.2 Elman Network和Jordan Networ.flv
│      12.3 LSTM的核心思想.flv
│      12.4 LSTM的分步实现详解.flv
│      12.5 Encoder-Decoder 框架.flv
│      12.6 Seq2Seq 模型.flv
│      12.7 注意力机制（Attention Mechanism）.flv
│      
├─18-第18章：第六周答疑
│      第六周答疑.flv
│      
├─19-第19章：注意力机制
│      13.1 注意力机制产生的背景回顾.flv
│      13.2 注意力模型的实现原理.flv
│      13.3 注意力模型的应用领域.flv
│      13.4 记忆网络（Memory Network）的组成.flv
│      13.5 记忆网络的计算过程和实现方法.flv
│      13.6 匹配函数（Match Function）.flv
│      13.7 注意力模型的延展1：Neural Programmer.flv
│      13.8 注意力模型的延展2：神经图灵机.flv
│      
├─20-第20章：广义模型（Universal Transformer)
│      14.1 UT的典型结构：Stack of Encoder and Decoder.flv
│      14.2 Self-Attention的计算.flv
│      14.3 Multi-Head Attention 和前向反馈神经网络FFNN.flv
│      14.4 位置编码（Positional Encoding）.flv
│      14.5 层泛化（Lay Normalization）.flv
│      14.6 Softmax Layer：交叉熵和损失函数的计算.flv
│      14.7 ACT模型（Adaptive Computation Time）.flv
│      14.8 Universal Transformer 的完整实现流程.flv
│      
├─21-第21章：第七周答疑
│      第七周答疑.flv
│      
├─22-第22章：自然语言研究的未来方向
│      15.1 自然语言研究可行方向：知识图谱与深度学习的结合.flv
│      15.2 语义关系计算与知识库.flv
│      15.3 知识库推理学习：Neural Tensor Network.flv
│      15.4 跨媒体信息搜索：CMIR.flv
│      15.5 文本图卷积网络（Text GCN）.flv
│      15.6 NLP未来的探索方向.flv
│      
└─资料
        01第一课：自然语言与数学之美.pdf
        02第二课：基于机器学习方法的自然语言处理.pdf
        03第三课资料 1.pdf
        03第三课资料 2.pdf
        03第三课资料 3.pdf
        03第三课：自然语言.pdf
        04第四课资料.pdf
        04第四课：语言模型.pdf
        05第五课课件.pdf
        06第六课课件.pdf
        07第七课课件.pdf
        第7课 note.pdf
        第六课 Note.pdf
        第十一课：循环神经网络.pdf
        第十三课 课件.pdf

『课程下载』:

游客,本付费内容需要支付 4学币 才能浏览支付

DamonZheng

自然语言处理

cctvboy

谢谢楼主分享！！！

1609118451

│      3.4 语言与智能：交叉熵的定义.flv

ouyangyu

RE: 自然语言处理 第二期(2.37G) [修改]

linyuan703

111111111111111

644774174

666666666666666666

abcde

感谢分享

nnlink

谢谢分享

dkbcmj

自然语言处理 第二期