NLP 实战高手课 
16029 人已学习
新⼈⾸单¥68
课程目录
已完结/共 160 讲
第一章：AI及NLP基础 (15讲)
时长 08:41
时长 18:28
时长 45:12
时长 46:20
时长 34:25
时长 34:37
时长 16:13
时长 25:18
时长 34:48
时长 11:00
时长 19:45
时长 18:13
时长 10:43
时长 11:50
时长 13:27
第二章：深度学习简介和NLP试水 (14讲)
时长 19:25
时长 13:28
时长 15:34
时长 23:30
时长 09:13
时长 16:58
时长 10:36
时长 27:19
时长 17:44
时长 18:30
时长 17:59
时长 29:41
第三章：表格化数据挖掘 (40讲)
时长 14:34
时长 14:10
时长 15:54
时长 11:42
时长 14:32
时长 11:41
时长 15:10
时长 23:15
时长 25:06
时长 24:14
时长 09:52
时长 22:54
时长 07:35
时长 13:23
时长 09:10
时长 07:20
时长 20:27
时长 08:05
时长 05:12
时长 06:49
时长 03:56
时长 18:54
时长 12:33
时长 11:03
时长 11:36
时长 19:35
时长 25:47
时长 25:57
时长 11:56
时长 10:04
时长 20:57
时长 18:14
时长 23:05
时长 11:10
时长 09:44
时长 22:39
第四章：自然语言分类任务 (37讲)
时长 18:24
时长 21:55
时长 09:38
时长 26:43
时长 19:26
时长 07:57
时长 10:16
时长 08:54
时长 07:09
时长 10:18
时长 11:51
时长 12:06
时长 12:06
时长 17:55
时长 07:33
时长 05:07
时长 12:01
时长 08:36
时长 11:37
时长 07:06
时长 10:50
时长 07:30
时长 09:09
时长 05:19
时长 13:00
第五章：增强学习 (37讲)
时长 07:33
时长 10:12
时长 09:06
时长 14:17
时长 13:07
时长 10:09
时长 16:32
时长 07:58
时长 09:11
时长 13:55
时长 11:05
时长 12:09
时长 10:35
时长 14:56
时长 10:03
时长 07:52
时长 10:09
时长 07:38
时长 04:25
时长 11:30
时长 12:27
时长 09:31
时长 07:34
时长 08:46
时长 13:06
时长 10:34
第六章：实际案例研究 (3讲)
第七章：系统部署 (14讲)
时长 13:25
时长 07:56
时长 10:02
时长 10:11
时长 13:28
时长 08:21
时长 05:10
时长 06:24
时长 06:55
时长 06:31
时长 05:19
时长 05:26
时长 10:40
时长 04:09
NLP 实战高手课
登录|注册
当前播放: 28 | 文本分类实践：如何进行简单的文本分类？
00:00 / 00:00
高清
- 高清
1.0x
- 2.0x
- 1.5x
- 1.25x
- 1.0x
- 0.75x
- 0.5x
付费课程，可试看
01 | 课程介绍
02 | 内容综述
03 | AI概览：宣传片外的人工智能
04 | AI项目流程：从实验到落地
05 | NLP领域简介：NLP基本任务及研究方向
06 | NLP应用：智能问答系统
07 | NLP应用：文本校对系统
08 | NLP的学习方法：如何在AI爆炸时代快速上手学习？
09 | 深度学习框架简介：如何选择合适的深度学习框架？
10 | 深度学习与硬件：CPU
11 | 深度学习与硬件：GPU
12 | 深度学习与硬件：TPU
13 | AI项目部署：基本原则
14 | AI项目部署：框架选择
15 | AI项目部署：微服务简介
16 | 统计学基础：随机性是如何改变数据拟合的本质的？
17 | 神经网络基础：神经网络还是复合函数
18 | 神经网络基础：训练神经网络
19 | 神经网络基础：神经网络的基础构成
20 | Embedding简介：为什么Embedding更适合编码文本特征？
21 | RNN简介：马尔可夫过程和隐马尔可夫过程
22 | RNN简介：RNN和LSTM
23 | CNN：卷积神经网络是什么？
24 | 环境部署：如何构建简单的深度学习环境？
25 | PyTorch简介：Tensor和相关运算
26 | PyTorch简介：如何构造Dataset和DataLoader？
27 | PyTorch简介：如何构造神经网络？
28 | 文本分类实践：如何进行简单的文本分类？
29 | 文本分类实践的评价：如何提升进一步的分类效果？
30 | 经典的数据挖掘方法：数据驱动型开发早期的努力
31 | 表格化数据挖掘基本流程：看看现在的数据挖掘都是怎么做的？
32 | Pandas简介：如何使用Pandas对数据进行处理？
33 | Matplotlib简介：如何进行简单的可视化分析？
34 | 半自动特征构建方法：Target Mean Encoding
35 | 半自动特征构建方法：Categorical Encoder
36 | 半自动特征构建方法：连续变量的离散化
37 | 半自动特征构建方法：Entity Embedding
38 | 半自动构建方法：Entity Embedding的实现
39 | 半自动特征构建方法：连续变量的转换
40 | 半自动特征构建方法：缺失变量和异常值的处理
41 | 自动特征构建方法：Symbolic learning和AutoCross简介
42 | 降维方法：PCA、NMF 和 tSNE
43 | 降维方法：Denoising Auto Encoders
44 | 降维方法：Variational Auto Encoder
45 | 变量选择方法
46 | 集成树模型：如何提升决策树的效果
47 | 集成树模型：GBDT和XgBoost的数学表达
48 | 集成树模型：LightGBM简介
49 | 集成树模型：CatBoost和NGBoost简介
50 | 神经网络建模：如何让神经网络实现你的数据挖掘需求
51 | 神经网络的构建：Residual Connection和Dense Connection
52 | 神经网络的构建：Network in Network
53 | 神经网络的构建：Gating Mechanism和Attention
54 | 神经网络的构建：Memory
55 | 神经网络的构建：Activation Function
56 | 神经网络的构建：Normalization
57 | 神经网络的训练：初始化
58 | 神经网络的训练：学习率和Warm-up
59 | 神经网络的训练：新的PyTorch训练框架
60 | Transformer：如何通过Transformer榨取重要变量？
61 | Transformer代码实现剖析
62 | xDeepFM：如何用神经网络处理高维的特征？
63 | xDeepFM的代码解析
64 | 时序建模：如何用神经网络解决时间序列的预测问题？
65 | 图嵌入：如何将图关系纳入模型？
66 | 图网络简介：如何在图结构的基础上建立神经网络？
67 | 模型融合基础：如何让你所学到的模型方法一起发挥作用？
68 | 高级模型融合技巧：Metades是什么？
69 | 挖掘自然语言中的人工特征：如何用传统的特征解决问题？
70 | 重新审视Word Embedding：Negative Sampling和Contextual Embedding
71 | 深度迁移学习模型：从ELMo到BERT
72 | 深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5
73 | 深度迁移学习模型：ALBERT和ELECTRA
74 | 深度迁移学习模型的微调：如何使用TensorFlow在TPU对模型进行微调
75 | 深度迁移学习模型的微调：TensorFlow BERT代码简析
76 | 深度迁移学习的微调：如何利用PyTorch实现深度迁移学习模型的微调及代码简析
77 | 优化器：Adam和AdamW
78 | 优化器：Lookahead，Radam和Lamb
79 | 多重loss的方式：如何使用多重loss来提高模型准确率？
80 | 数据扩充的基本方法：如何从少部分数据中扩充更多的数据并避免过拟合？
81 | UDA：一种系统的数据扩充框架
82 | Label Smoothing和Logit Squeezing
83 | 底层模型拼接：如何让不同的语言模型融合在一起从而达到更好的效果？
84 | 上层模型拼接：如何在语言模型基础上拼接更多的模型？
85 | 长文本分类：截取、关键词拼接和预测平均
86 | Virtual Adverserial Training：如何减少一般对抗训练难收敛的问题并提高结果的鲁棒性？
87 | 其他Embedding的训练：还有哪些Embedding方法？
88 | 训练预语言模型
89 | 多任务训练：如何利用多任务训练来提升效果？
90 | Domain Adaptation：如何利用其它有标注语料来提升效果？
91 | Few-shot Learning：是否有更好的利用不同任务的方法？
92 | 半监督学习：如何让没有标注的数据也派上用场？
93 | 依存分析和Semantic Parsing概述
94 | 依存分析和Universal Depdency Relattions
95 | 如何在Stanza中实现Dependency Parsing
96 | Shift Reduce算法
97 | 基于神经网络的依存分析算法
98 | 树神经网络：如何采用Tree LSTM和其它拓展方法？
99 | Semantic Parsing基础：Semantic Parsing的任务是什么？
100 | WikiSQL任务简介
101 | ASDL和AST
102 | Tranx简介
103 | Lambda Caculus概述
104 | Lambda-DCS概述
105 | Inductive Logic Programming：基本设定
106 | Inductive Logic Programming：一个可微的实现
107 | 增强学习的基本设定：增强学习与传统的预测性建模有什么区别？
108 | 最短路问题和Dijkstra Algorithm
109 | Q-learning：如何进行Q-learning算法的推导？
110 | Rainbow：如何改进Q-learning算法？
111 | Policy Gradient：如何进行Policy Gradient的基本推导？
112 | A2C和A3C：如何提升基本的Policy Gradient算法
113 | Gumbel-trick：如何将离散的优化改变为连续的优化问题？
114 | MCTS简介：如何将“推理”引入到强化学习框架中
115 | Direct Policty Gradient：基本设定及Gumbel-trick的使用
116 | Direct Policty Gradient：轨迹生成方法
117 | AutoML及Neural Architecture Search简介
118 | AutoML网络架构举例
119 | RENAS：如何使用遗传算法和增强学习探索网络架构
120 | Differentiable Search：如何将NAS变为可微的问题
121 | 层次搜索法：如何在模块之间进行搜索？
122 | LeNAS：如何搜索搜索space
123 | 超参数搜索：如何寻找算法的超参数
124 | Learning to optimize：是否可以让机器学到一个新的优化器
125 | 遗传算法和增强学习的结合
126 | 使用增强学习改进组合优化的算法
127 | 多代理增强学习概述：什么是多代理增强学习？
128 | AlphaStar介绍：AlphaStar中采取了哪些技术？
129 | IMPALA：多Agent的Actor-Critic算法
130 | COMA:Agent之间的交流
131 | 多模态表示学习简介
132 | 知识蒸馏：如何加速神经网络推理
133 | DeepGBM：如何用神经网络捕捉集成树模型的知识
134 | 文本推荐系统和增强学习
135 | RL训练方法集锦：简介
136 | RL训练方法:RL实验的注意事项
137 | PPO算法
138 | Reward设计的一般原则
139 | 解决Sparse Reward的一些方法
140 | Imitation Learning和Self-imitation Learning
141 | 增强学习中的探索问题
142 | Model-based Reinforcement Learning
143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning
144 | Quora问题等价性案例学习：预处理和人工特征
145 | Quora问题等价性案例学习：深度学习模型
146 | 文本校对案例学习
147 | 微服务和Kubernetes简介
148 | Docker简介
149 | Docker部署实践
150 | Kubernetes基本概念
151 | Kubernetes部署实践
152 | Kubernetes自动扩容
153 | Kubernetes服务发现
154 | Kubernetes Ingress
155 | Kubernetes健康检查
156 | Kubernetes灰度上线
157 | Kubernetes Stateful Sets
158 | Istio简介：Istio包含哪些功能？
159 | Istio实例和Circuit Breaker
160 | 结束语
本节摘要
课件和 Demo 地址
https://gitee.com/geektime-geekbang/NLP
登录 后留言
全部留言(25)
- 最新
- 精选
魏春河
怎么运行，会有什么输出没说呀，怎么进行的文本分类？只是对着代码讲了一遍啥也没听懂
作者回复: 我以为这个代码应该是已经很清楚了
2020-03-19
3
4
きょほう
不用了谢谢老师，我弄好了，在运行了，就是有点慢12个小时cpu还没跑完hhh。 imdb直接解压就好了。
作者回复: 唉～找个GPU吧～如果有信用卡你可以考虑薅谷歌的羊毛
2020-03-25
4
きょほう
老师，我自己下的imdb数据集，应该准确的路径是啥啊，我解压在data/imdb，可是读不进来
作者回复: 可以用他的命令直接下载么？如果不可以我再查一下。IMDB的数据比较诡异，自己下载读起来比较费劲。
2020-03-24
. SWAgsWAGSwAGSWaG🐑
老师，所以我们在利用embedding时，就是以训练好的embedding为参考，把自己的文本对应的部分直接复制下来就形成了输入模型的embedding对吗？
作者回复: 对。我在后面课会非常详细讲一些其他的高级用法。
2020-03-20
Geek_77b730
老师的发型依然魔性
2020-03-20
1
6
人工智能混饭人
看开源代码三步走：
① 跑通作者的代码
② 理清整个代码的逻辑
③ 看细节，找问题
2020-03-28
4
枸杞超甜der
train_data, test_data = datasets.IMDB.splits(TEXT, LABEL)
AttributeError: 'function' object has no attribute 'splits', 老师请问这是为啥，已经不支持这个api了吗，，，这么快吗
2021-03-25
4
2
辣么大
真是艰难呀！这节课卡在这，弄了好几天环境，终于搞定了。今天晚上加个鸡腿。
跑现成的代码都跑不通，也就基本劝退了������
2020-11-12
1
snow
1 import random
2
----> 3 train_data, valid_data = train_data.split(random_state = random.seed(SEED))
ValueError: not enough values to unpack (expected 2, got 0)
请教一下，我这一行报错是啥原因啊，还有就是我github里的spaCy怎么下载啊？
2020-04-22
3
1
迎风尿湿鞋
请问为什么最后放入全连接层的不是lstm的output 而是hidden
2020-03-25
1
1
收起评论