稀牛-AI人工智能工程师-NLP必备技能
<p><img src="/data/attachment/forum/images/202382422422611106.png"></p><p> 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：</p><p>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。</p>
<p>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。</p>
<p>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。</p>
<p>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。</p>
<p>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。</p>
<p>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。</p>
<p>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。</p>
<p>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。</p>
<p>课程目录</p>
<p>├──01-自然语言处理基础知识与操作 </p>
<p>| ├──第二章英文文本处理与解析 </p>
<p>| | ├──【实战】nltk工具库英文文本处理案例.mp4 139.99M</p>
<p>| | ├──【实战】spacy工具库英文文本处理案例.mp4 413.95M</p>
<p>| | ├──【实战】基于python的英文文本相似度比对.mp4 122.75M</p>
<p>| | ├──【实战】简易文本情感分析器构建.mp4 34.02M</p>
<p>| | ├──英文文本解析任务介绍：分词、去停用词、提取词干等.mp4 69.12M</p>
<p>| | ├──章概述.mp4 13.90M</p>
<p>| | └──章小结.mp4 24.52M</p>
<p>| ├──第三章中文文本处理与解析 </p>
<p>| | ├──jieba工具库介绍.mp4 498.41M</p>
<p>| | ├──【实战】python新闻网站关键词抽取.mp4 44.70M</p>
<p>| | ├──【实战】python中文文本清洗、处理与可视化.mp4 168.51M</p>
<p>| | ├──章概述.mp4 7.38M</p>
<p>| | ├──章小结.mp4 35.26M</p>
<p>| | ├──中文文本处理任务介绍：分词、去停用词、ngram.mp4 209.10M</p>
<p>| | └──中文文本解析任务介绍：词性分析、依赖分析等.mp4 151.12M</p>
<p>| └──第一章自然语言处理基础 </p>
<p>| | ├──模式匹配与正则表达式.mp4 431.25M</p>
<p>| | ├──文本数据、字、词、term.mp4 182.51M</p>
<p>| | ├──一章概述.mp4 6.26M</p>
<p>| | ├──一章小结.mp4 58.75M</p>
<p>| | ├──字符串处理.mp4 370.12M</p>
<p>| | └──字符串基本处理与正则表达式文本匹配与替换.mp4 492.86M</p>
<p>├──02-语言模型与应用 </p>
<p>| ├──第二章统计语言模型与神经语言模型构建 </p>
<p>| | ├──【实战】kenlm工具库使用及语言模型生成.mp4 189.76M</p>
<p>| | ├──【实战】基于kenlm的简易拼写纠错.mp4 174.21M</p>
<p>| | ├──【实战】基于pytorch的语言模型训练.mp4 247.99M</p>
<p>| | ├──基于rnn的神经语言模型.mp4 647.21M</p>
<p>| | ├──基于统计的语言模型构建.mp4 220.51M</p>
<p>| | ├──章概述.mp4 29.84M</p>
<p>| | └──章小结.mp4 102.33M</p>
<p>| ├──第一章语言模型与应用 </p>
<p>| | ├──ngram应用：词性标注、中文分词、机器翻译与语音识别.mp4 397.08M</p>
<p>| | ├──ngram语言模型.mp4 240.13M</p>
<p>| | ├──假设性独立与联合概率链规则.mp4 67.24M</p>
<p>| | ├──章概述.mp4 25.92M</p>
<p>| | └──章小结.mp4 35.46M</p>
<p>| ├──考核作业.zip 221.70kb</p>
<p>| └──课件与代码.zip 8.65M</p>
<p>├──03-文本表示 </p>
<p>| ├──第二章-文本表示进阶 </p>
<p>| | ├──01章概述.mp4 50.13M</p>
<p>| | ├──02-预训练在图像领域的应用.mp4 322.03M</p>
<p>| | ├──03-elmo基于上下文的word embedding.mp4 319.96M</p>
<p>| | ├──04-gpt transformer建模句子信息.mp4 566.71M</p>
<p>| | ├──05-bert 预训练双向transformer.mp4 708.94M</p>
<p>| | ├──06-基于bert进行fine-tuning.mp4 176.06M</p>
<p>| | └──07章小结.mp4 52.20M</p>
<p>| ├──第一章-文本词与句的表示 </p>
<p>| | ├──01章概述.mp4 36.86M</p>
<p>| | ├──02-文本表示概述.mp4 129.10M</p>
<p>| | ├──03-文本离散表示：词袋模型与tf-idf.mp4 305.20M</p>
<p>| | ├──04-文本分布式表示：word2vec.mp4 279.58M</p>
<p>| | ├──05-【实战】python中文文本向量化表示.mp4 121.62M</p>
<p>| | ├──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</p>
<p>| | └──07章小结.mp4 28.11M</p>
<p>| └──考核作业.zip 61.54kb</p>
<p>├──04-文本分类 </p>
<p>| ├──第二章-文本分类深度学习模型与实战 </p>
<p>| | ├──01章概述.mp4 5.44M</p>
<p>| | ├──02-词嵌入与fine-tuning.mp4 12.72M</p>
<p>| | ├──03-基于卷积神经网络的文本分类.mp4 264.69M</p>
<p>| | ├──04-基于lstm的文本分类.mp4 123.65M</p>
<p>| | ├──05-transformerself-attention介绍.mp4 62.14M</p>
<p>| | ├──06-使用tensorflow构建卷积神经网络完成新闻分类.mp4 105.84M</p>
<p>| | ├──07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4 10.41M</p>
<p>| | └──08章小结.mp4 7.39M</p>
<p>| ├──第一章-文本分类机器学习模型与实战 </p>
<p>| | ├──01章概述.mp4 55.82M</p>
<p>| | ├──02-朴素贝叶斯模型与中文文本分类.mp4 395.33M</p>
<p>| | ├──03-逻辑回归 _svm与文本分类.mp4 1.25G</p>
<p>| | ├──04-facebook fasttext原理与操作.mp4 366.85M</p>
<p>| | ├──05-【实战】python中文新闻分类.mp4 214.96M</p>
<p>| | ├──06-【实战】基于fasttext的文本情感分析.mp4 183.86M</p>
<p>| | └──07章小结.mp4 73.19M</p>
<p>| └──考核作业.zip 99.19kb</p>
<p>├──05-文本主题抽取与表示 </p>
<p>| ├──第一章-文本主题抽取与表示 </p>
<p>| | ├──01章小结.mp4 6.57M</p>
<p>| | ├──02-基于tf-idf与text-rank的主题词抽取.mp4 16.35M</p>
<p>| | ├──03-监督学习与文本打标签.mp4 6.58M</p>
<p>| | ├──04-无监督学习与lda主题模型.mp4 182.60M</p>
<p>| | ├──05基于python的中文关键词抽取与可视化.mp4 6.55M</p>
<p>| | ├──06-基于lda的新闻主题分析与可视化呈现.mp4 39.47M</p>
<p>| | └──07章小结.mp4 7.20M</p>
<p>| └──考核作业.zip 42.93kb</p>
<p>├──06-序列到序列模型 </p>
<p>| ├──第一章-序列到序列模型与应用 </p>
<p>| | ├──01章概述.mp4 5.78M</p>
<p>| | ├──02-从rnn到seq2seq模型.mp4 6.01M</p>
<p>| | ├──03-编码解码模型.mp4 12.59M</p>
<p>| | ├──04-seq2seq模型详解.mp4 45.24M</p>
<p>| | ├──05-注意（attention）机制.mp4 36.38M</p>
<p>| | ├──06-tensorflow seq2seq模型使用方法详解.mp4 177.54M</p>
<p>| | ├──07-基于seq2seq的文本摘要生成实现.mp4 148.80M</p>
<p>| | └──08章总结.mp4 72.69M</p>
<p>| └──考核作业.zip 47.73kb</p>
<p>├──07-文本生成 </p>
<p>| ├──第一章-文本生成与自动创作 </p>
<p>| | ├──01章概述.mp4 2.42M</p>
<p>| | ├──02-基于rnn lstm的语言模型回顾.mp4 10.51M</p>
<p>| | ├──03-基于语言模型的文本生成原理.mp4 2.04M</p>
<p>| | ├──04-【实战】基于lstm的唐诗生成器.mp4 67.12M</p>
<p>| | ├──05-基于seq2seq的文本序列生成原理.mp4 9.20M</p>
<p>| | ├──06-【实战】基于seq2seq的对联生成器.mp4 96.68M</p>
<p>| | └──07章小结.mp4 14.87M</p>
<p>| └──考核作业.zip 71.06kb</p>
<p>├──08-机器翻译 </p>
<p>| └──第一章-机器翻译：双语翻译 </p>
<p>| | ├──01-统计机器翻译 </p>
<p>| | ├──02-基于seq2seq的机器翻译模型 </p>
<p>| | ├──03-fackbook基于CNN的机器翻译模型 </p>
<p>| | └──04-来自Google的Transformer模型 </p>
<p>├──09-聊天机器人 </p>
<p>| └──第一章-聊天机器人：机器客服与语音助手 </p>
<p>| | ├──01-基于内容匹配的聊天机器人 </p>
<p>| | └──02-基于seq2seq的聊天机器人 </p>
<p>├──10-视觉文本任务：看图说话 </p>
<p>| ├──01-看图说话问题与实现 </p>
<p>| | ├──1.1 本章概述.mp4 2.86M</p>
<p>| | ├──1.2 “看图说话”问题介绍.mp4 7.81M</p>
<p>| | ├──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</p>
<p>| | ├──1.4 注意力模型与“看图说话”优化.mp4 26.76M</p>
<p>| | ├──1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4 105.95M</p>
<p>| | ├──1.6 【实战】基于attention model的“看图说话”实现.mp4 27.92M</p>
<p>| | └──1.7 本章小结.mp4 1.84M</p>
<p>| └──02-视觉问答机器人(VQA)原理与实现 </p>
<p>| | ├──2.1 本章概述.mp4 1.61M</p>
<p>| | ├──2.2 视觉问答机器人问题介绍.mp4 34.82M</p>
<p>| | ├──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</p>
<p>| | ├──2.4 基于注意力(attention)的深度学习vqa实现方案.mp4 16.18M</p>
<p>| | ├──2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4 24.39M</p>
<p>| | ├──2.6【实战】基于attention的深度学习vqa模型实现.mp4 41.58M</p>
<p>| | └──2.7 本章小结.mp4 1.67M</p>
<p>└──11-文本相似度计算与文本匹配问题 </p>
<p>| ├──01-文本相似度计算与文本匹配问题 </p>
<p>| | ├──1.1 本章概述.mp4 5.89M</p>
<p>| | ├──1.2 文本相似度问题与应用.mp4 9.06M</p>
<p>| | ├──1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp4 148.01M</p>
<p>| | ├──1.4 【实战】编辑距离计算python实现.mp4 23.46M</p>
<p>| | ├──1.5 【实战】基于simhash的相似文本判断.mp4 62.75M</p>
<p>| | ├──1.6 【实战】词向量word averaging.mp4 24.75M</p>
<p>| | ├──1.7 本章小结.mp4 2.36M</p>
<p>| | └──第1章文本相似度问题与应用场景.pdf 7.49M</p>
<p>| └──02-基于深度学习的文本语义匹配 </p>
<p>| | ├──2.1 本章概述.mp4 2.93M</p>
<p>| | ├──2.2 基于深度学习的句子相似度模型.mp4 32.12M</p>
<p>| | ├──2.3 dssm（deep structured semantic models）模型详解.mp4 20.85M</p>
<p>| | ├──2.4 drmm（deep relevance matching model）模型详解.mp4 21.39M</p>
<p>| | ├──2.5【实战】基于lstm的监督学习语义表达抽取.mp4 81.31M</p>
<p>| | ├──2.6【实战】基于dssm的问题语义相似度匹配案例.mp4 25.91M</p>
<p>| | ├──2.7【实战】基于drmm的问答匹配案例.mp4 21.68M</p>
<p>| | ├──2.8 本章小结.mp4 3.94M</p>
<p>| | └──第2章基于深度学习的文本语义匹配.pdf 7.84M</p>
<div> </div>
页:
[1]