课程目录

【资源目录】:
├──第1章 课程介绍
| ├──1-1 课程目标_ev.mp4 41.27M
| ├──1-2 学习NLP对你有什么帮助_ev.mp4 23.71M
| ├──1-3 课程重难点_ev.mp4 37.23M
| └──1-4 学习建议_ev.mp4 13.82M
├──第2章 语言学与自然语言处理
| ├──2-1 本章导学_ev.mp4 13.76M
| ├──2-2 语言的产生：语音、词汇、语法_ev.mp4 24.94M
| ├──2-3 踏上NLP之旅：什么是自然语言_ev.mp4 25.32M
| ├──2-4 中文自然语言处理为什么这么难_ev.mp4 22.94M
| ├──2-5 自然语言处理能解决哪些问题_ev.mp4 16.72M
| ├──2-6 聊一聊自然语言处理发展史_ev.mp4 32.01M
| ├──2-7 自然语言处理学习路径_ev.mp4 26.61M
| └──2-8 本章小结_ev.mp4 11.93M
├──第3章 从数学原理到机器学习
| ├──3-1 本章导学_ev.mp4 10.89M
| ├──3-10 测定模型结果的方法-评估指标_ev.mp4 39.24M
| ├──3-11 过去进行式：文本分析流程1_ev.mp4 26.68M
| ├──3-12 过去进行式：文本分析流程2_ev.mp4 9.75M
| ├──3-13 中文处理的第一个难题：分词_ev.mp4 15.65M
| ├──3-14 词语的处理：独热编码和词嵌入表示_ev.mp4 40.99M
| ├──3-15 本章小结_ev.mp4 11.02M
| ├──3-2 现代自然语言处理的基石-概率论知识介绍_ev.mp4 20.73M
| ├──3-3 概率论基础：贝叶斯和信息理论_ev.mp4 48.55M
| ├──3-4 基于概率统计的模型采样知识_ev.mp4 26.36M
| ├──3-5 从理论走向实践：机器学习是怎么回事（一）_ev.mp4 39.08M
| ├──3-6 从理论走向实践：机器学习是怎么回事（二）_ev.mp4 10.74M
| ├──3-7 寻找重要的信息：降维方法_ev.mp4 25.90M
| ├──3-8 从已知结果中学习未知问题-分类和回归_ev.mp4 44.02M
| └──3-9 如何让数据本身分类-聚类算法介绍_ev.mp4 39.03M
├──第4章 由简单单元构建复杂神经网络
| ├──4-1 本章导学_ev.mp4 11.88M
| ├──4-10 本章小结_ev.mp4 10.96M
| ├──4-2 搭积木式的组合变换-激活函数和神经网络思想_ev.mp4 18.45M
| ├──4-3 神经网络的演进：梯度与反向传播_ev.mp4 31.17M
| ├──4-4 神经网络中我们可以参与的部分-超参数_ev.mp4 27.30M
| ├──4-5 优化器和学习率_ev.mp4 10.69M
| ├──4-6 提高模型效果的方法：归一化_ev.mp4 16.55M
| ├──4-7 构建线性模型解决温度计示数转换问题_ev.mp4 17.17M
| ├──4-8 使用深度学习模型解决温度计示数问题（一）_ev.mp4 44.97M
| └──4-9 使用深度学习模型解决温度计示数问题（二）_ev.mp4 21.43M
├──第5章 如何用机器学习能力解决自然语言处理问题
| ├──5-1 本章导学_ev.mp4 12.93M
| ├──5-10 读懂微调 （finetune），通过小成本改变让模型具备强大的专业能力_ev.mp4 23.98M
| ├──5-11 生成式AI崛起，像人类一样对话_ev.mp4 32.84M
| ├──5-12 自然语言处理中常见的评价指标-AUC、BLEU、ROUGE等等有什么区别_ev.mp4 20.61M
| ├──5-13 高手的秘密，构建丰富的语料库和精选数据集_ev.mp4 25.67M
| ├──5-14 NLP常用工具介绍，如何站在巨人的肩膀上快速开始我们的工作-anaconda、NLTK、jieba、gensim、scikit-learn_ev.mp4 25.24M
| ├──5-15 本章小结_ev.mp4 13.49M
| ├──5-2 文本预处理魔法：分词、停用词和特殊字符消失术_ev.mp4 29.83M
| ├──5-3 让计算机读懂汉语：用数值表示文本.mp4_ev.mp4 16.10M
| ├──5-4 基于python的文本预处理封装_ev.mp4 18.64M
| ├──5-5 改变NLP宇宙的词嵌入技术，word2vec让文本也可以互相运算_ev.mp4 36.47M
| ├──5-6 内容理解中最常见的分类问题，给文本打标签_ev.mp4 25.85M
| ├──5-7 自然语言处理中的序列标注问题，发现特定的词语_ev.mp4 26.89M
| ├──5-8 语言模型的演进，从定向任务到通用模型，让NLP日趋成熟_ev.mp4 32.28M
| └──5-9 注意力机制，让模型能够关注重要内容，Attention is all your need_ev.mp4 43.84M
├──第6章 互联网公司如何搭建内容理解体系
| ├──6-1 本章导学_ev.mp4 9.89M
| ├──6-10 内容理解在点评UGC场景下辅助风险控制（二）_ev.mp4 22.38M
| ├──6-11 京东电商下的内容理解与智能创意（一）_ev.mp4 39.31M
| ├──6-12 京东电商下的内容理解与智能创意（二）_ev.mp4 30.66M
| ├──6-13 本章小结_ev.mp4 7.31M
| ├──6-2 互联网公司为什么要做内容理解工作_ev.mp4 52.01M
| ├──6-3 自然语言处理如何在内容理解体系中发挥作用（一）_ev.mp4 32.96M
| ├──6-4 自然语言处理如何在内容理解体系中发挥作用（二）_ev.mp4 11.13M
| ├──6-5 新闻APP标准文本如何面向推荐系统构建内容理解体系（一）_ev.mp4 39.10M
| ├──6-6 新闻APP标准文本如何面向推荐系统构建内容理解体系（二）_ev.mp4 14.04M
| ├──6-7 融合了多种内容类型的马蜂窝旅行内容理解如何配合运营体系运转（一）_ev.mp4 57.43M
| ├──6-8 融合了多种内容类型的马蜂窝旅行内容理解如何配合运营体系运转（二）_ev.mp4 33.79M
| └──6-9 内容理解在点评UGC场景下辅助风险控制（一）_ev.mp4 41.59M
├──第7章 文本相似度检测在内容理解体系中的应用
| ├──7-1 本章导学_ev.mp4 6.12M
| ├──7-2 文本相似度检测的类型：长文本短文本、词语句子段落、字符级语义级_ev.mp4 20.45M
| ├──7-3 在内容理解体系中，相似度检测可以解决哪些问题.mp4_ev.mp4 37.58M
| ├──7-4 文本相似度检测的效果评估.mp4_ev.mp4 12.42M
| ├──7-5 使用编辑距离计算词或短语级的文本相似度_ev.mp4 20.05M
| ├──7-6 使用SIMHASH算法实现海量长文本的相似度计算_ev.mp4 44.54M
| ├──7-7 使用word2vec解决语义级别的短文本相似问题_ev.mp4 28.86M
| └──7-8 本章小结_ev.mp4 8.65M
├──第8章 实体识别在内容理解体系中的应用
| ├──8-1 本章导学_ev.mp4 6.86M
| ├──8-10 -3 实体识别代码实战：ner_bilstm_crf_ev.mp4 45.95M
| ├──8-11 本章小结_ev.mp4 6.53M
| ├──8-2 实体识别能够帮助我们解决哪些问题_ev.mp4 22.66M
| ├──8-3 在内容理解体系中借助实体识别搭建基础能力_ev.mp4 19.01M
| ├──8-4 为实体识别的结果构建评价方案时有哪些可用的指标_ev.mp4 15.18M
| ├──8-5 了解序列建模的基本模型：循环神经网络（RNN）在自然语言处理中如何发挥作用_ev.mp4 28.31M
| ├──8-6 延长网络的记忆，长短时记忆网络（LSTM）都对RNN做了哪些改进_ev.mp4 37.91M
| ├──8-7 从规则到概率，条件随机场CRF算法帮助网络模型认识一般规律_ev.mp4 29.60M
| ├──8-8 -1 实体识别代码实战：ner_bert_lstm_crf_ev.mp4 54.05M
| └──8-9 -2 实体识别代码实战：ner_bert_lstm_crf_ev.mp4 73.16M
└──第9章 文本分类任务在内容理解体系中的应用
| ├──9-1 本章导学_ev.mp4 6.61M
| ├──9-10 使用基于word2vec的fasttext工具来解决文本分类的问题_ev.mp4 24.18M
| ├──9-11 Transformer的衍生品BERT模型如何应用于文本分类_ev.mp4 58.04M
| ├──9-12 -1 内容理解体系中构建多级多标签分类会遇到哪些困难_ev.mp4 52.08M
| ├──9-13 -2 内容理解体系中构建多级多标签分类会遇到哪些困难_ev.mp4 55.41M
| ├──9-14 -1在实际工作中我们该如何为分类任务准备数据_ev.mp4 20.64M
| ├──9-15 -2在实际工作中我们该如何为分类任务准备数据_ev.mp4 17.58M
| ├──9-16 为我们的企业级分类任务的设计一个可扩展、易调整的算法架构_ev.mp4 24.19M
| ├──9-17 模型应用的最后一站，如何做分布式工程部署_ev.mp4 13.75M
| ├──9-2 内容理解中应用最广泛的文本分类有哪些类型_ev.mp4 17.76M
| ├──9-3 如何在内容理解体系搭建中借助文本分类的力量_ev.mp4 19.56M
| ├──9-4 文本分类任务效果的评估-离线指标、人工测评、线上效果_ev.mp4 13.91M
| ├──9-5 文本分类的一个重要应用-情感分析在内容平台的实践_ev.mp4 32.12M
| ├──9-6 卷积神经网络基础知识_ev.mp4 27.62M
| ├──9-7 处理情感分类的数据集并搭建卷积网络1_ev.mp4 47.68M
| ├──9-8 处理情感分类的数据集并搭建卷积网络2_ev.mp4 60.43M
| └──9-9 动手实践：使用word2vec为数据集构建词向量，并根据词向量寻找相似词_ev.mp4 23.82M
├──第10章 文本提取或生成任务实战
| ├──10-1 本章导学._ev.mp4 3.17M
| ├──10-10 -2 GPT3模型-开创性的生成式预训练模型，对话流畅度获得飞跃提升_ev.mp4 29.02M
| ├──10-11 InstructGPT在GPT3的基础上做的三大改进点-ChatGPT的原理1_ev.mp4 30.60M
| ├──10-12 InstructGPT在GPT3的基础上做的三大改进点-ChatGPT的原理2_ev.mp4 16.35M
| ├──10-13 动手实践：借助开源的GPT2模型搭建我们自己的生成式任务方案1_ev.mp4 34.27M
| ├──10-14 动手实践：借助开源的GPT2模型搭建我们自己的生成式任务方案2_ev.mp4 25.91M
| ├──10-15 动手实践：借助开源的GPT2模型搭建我们自己的生成式任务方案3_ev.mp4 34.44M
| ├──10-16 动手实践：借助开源的GPT2模型搭建我们自己的生成式任务方案4_ev.mp4 51.38M
| ├──10-17 动手实践：使用GPT2自动生成引人入胜的文本标题_ev.mp4 47.10M
| ├──10-18 动手实践：生成效果不佳？引入后评估模型来提高生成效果1_ev.mp4 53.79M
| ├──10-19 动手实践：生成效果不佳？引入后评估模型来提高生成效果2_ev.mp4 35.82M
| ├──10-2 文本提取与文本生成能够为我们提供哪些能力._ev.mp4 14.09M
| ├──10-20 借助ChatGPT的API实现文本摘要提取_ev.mp4 16.98M
| ├──10-21 本章小结_ev.mp4 8.12M
| ├──10-3 在内容理解中，我们如何借助文本提取和文本生成能力来搭建我们的能力框架._ev.mp4 32.77M
| ├──10-4 没有标准答案的提取和生成任务该如何评估效果_ev.mp4 21.35M
| ├──10-5 永恒的智慧：探索很老但有用的TFIDF提取技术_ev.mp4 23.70M
| ├──10-6 从文本到链接：谷歌的TextRank算法如何改变搜索世界_ev.mp4 25.38M
| ├──10-7 GPT1模型-初代生成式预训练模型，智障但是开创了一个新的方向_ev.mp4 33.47M
| ├──10-8 GPT2模型-更强大的生成式预训练模型，开始具备工业上的可用性_ev.mp4 24.15M
| └──10-9 -1 GPT3模型-开创性的生成式预训练模型，对话流畅度获得飞跃提升_ev.mp4 23.58M
├──第11章 NLP未来展望与课程总结
| ├──11-1 内容理解与NLP实战课程回顾_ev.mp4 19.17M
| ├──11-2 大模型时代的AI价值对齐_ev.mp4 23.43M
| ├──11-3 NLP大模型未来展望_ev.mp4 18.99M
| ├──11-4 大模型时代下如何学习NLP_ev.mp4 13.69M
| ├──11-5 继续学习NLP的资源与建议_ev.mp4 17.91M
| └──11-6 课程结束语-这是结束，也是开始_ev.mp4 9.83M