
NLP自然語言處理技術培訓
模塊一 NLP和深度學習發展概況和新動態
1. NLP歷史現在及為什么需要學習NLP技術
2. NLP實現機器學習,聊天機器人,情感分析和語義搜索
模塊二 NLP與PYTHON編程
3. Python環境搭建及開發工具安裝
4. NLP常用PYTHON開發包的介紹
5. Jieba安裝、介紹及使用
6. Stanford NLP 在Python環境中安裝、介紹及使用
7. Hanlp 在Python環境中安裝、介紹及使用
模塊三 快速掌握NLP技術之分詞、詞性標注和關鍵字提取
08. 分詞、詞性標注及命名實體識別介紹及應用
09. 準確分詞之加載自定義字典分詞
10. 準確分詞之動態調整詞頻和字典
11. 詞性標注代碼實現及信息提取
12. 人名、地名、機構名等關鍵命名實體識別
13. TextRank算法原理介紹
14. 基于TextRank關鍵詞提取
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算法介紹應用
23. 基于TF-IDF挖掘符合語言規范的N-GRAM
模塊六 表示學習與關系嵌入
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技術的詞向量、字向量訓練
模塊七 深度學習之卷積神經網絡
29. BP神經網絡
30. 徹底理解深度學習指卷積神經網絡
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據預處理
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網絡
35. 遞歸網絡
36. LSTM
37. LSTM文本分類原理
38. LSTM文本分類代碼架構
39. LSTM文本分類代碼詳解
40. LSTM文本分類模型預測與部署
模塊九 特定領域命名實體識別NER技術
41. 基于深度學習醫藥保險命名實體識別課題背景介紹
42. 醫藥保險命名實體和實體關系體系建立和命名實體分類規范
43. 醫藥保險命名實體識別相關前沿技術和難點
44. 基于深度學習醫藥保險命名實體識別的算法模塊設計
45. 數據的采集,清洗,數據機器自動標注及轉化為深度學習格式
46. 模型本地Lib庫封裝
47. 部署tensorflow訓練好的模型為云服務
48. 算法設計及代碼實現
49. 代碼調試,參數優化及深度剖析(深入理解)