福利 | 实践入门NLP：基于深度学习的自然语言处理

2018 年 1 月 23 日 AI科技评论 好好学习的

1 月初，在被誉为「机器阅读理解界 ImageNet」的斯坦福 SQuAD（Stanford Question Answering Dataset）文本理解挑战赛上，微软亚洲研究院的 R-NET 模型率先取得了 82.650 的最高分率，在 EM（ExactMatch 精准匹配)指标上首次超越人类在 2016 年创下的 82.304。同时，阿里 IDST、腾讯 NLP、科大讯飞等也在该榜单名列前茅。

可以说，自然语言的研究历史虽然还不是很长，但近些年在谷歌、IBM、斯坦福、阿里巴巴、Facebook 等 NLP 领域的核心企业和研究所的推动下，其取得的成绩，足以显示它在人工智能领域乃至整个计算机科学研究的重要性和广阔应用前景。

特别是最近两年，基于深度学习的自然语言处理逐渐取得了一定进展，在人机对话、问答系统、语言翻译等方向的应用也一直是自然语言处理中的热门话题，而这些应用的实现，基本依赖于底层技术和模型的进步，再加上自然语言处理领域也算是一个多学科交叉的行业，自然语言处理的未来发展对于很多相关学科和方向都具有深远的影响力。

那么，对于非 NLP 相关科班出身的我们来说，如何才能踏入 NLP 的学习圈子？如何才能选择低成本，高效率的方式来入门和学习 NLP 呢？

【NLP 工程师入门实践班】

——基于深度学习的自然语言处理

开车啦！！还不赶紧上车！？

课程亮点

三大模块，五大应用，手把手快速入门 NLP

算法+实践，搭配典型行业应用

海外博士讲师，丰富项目经验

专业学习社群，随到随学

适合人群

本次课程主要适合具备一定编程基础的开发人员，以及对自然语言处理和深度学习有兴趣的践行者。

课程概述

本课程将首先介绍自然语言处理的发展现状与挑战，同时，讲解深度学习和自然语言处理的结合应用。

除了基本算法外，本课程还配备实践环节，从一些典型的方向：机器翻译、文本分类、问答等。

最后，将和大家讨论 NLP 的行业展望以及和各行各业的结合，比如医疗行业等。

开课时间

2018 年 2 月上线，录制回放视频可随时在线反复观看。

讲师介绍

新加坡南洋理工大学玖强博士

精通算法，软硬兼修，目前主要研究方向是计算机视觉和自然语言处理结合，例如，图像/视频理解, 图像/视频自动描述生成，人机对话，多模态检索。

在算法和神经网络方面，侧重卷积神经网络，递归神经网络，增强学习，对抗学习，无监督学习等。发表多篇人工智能及计算机视觉顶级会议和期刊，包括 ICCV、AAAI oral、PR 等，并为多个会议和期刊审稿人。

曾在中科院参与负责基于龙芯的安全芯片项目，后成功转行深度学习领域，讲课风格深入浅出通俗易懂，有独家学习和转行经验。

课程目录

第一模块 NLP发展历史介绍和展望

NLP 发展现状

传统 NLP 方法面临的挑战

Big Data 和 Deep Learning 给 NLP 带来的变革和机遇

NLP 的发展趋势，以及和各行各业的结合应用

第二模块 NLP基础技能

一、数学理论基础

概率和信息论

监督学习、半监督学习和非监督学习

分类与回归模型

二、自然语言基础

Word vector 与 Word embedding

什么是分词、词性标注、依存句法分析等？如何利用开源工具包完成

什么是统计自然语言处理？

三、深度学习技术

卷积神经网络详解

递归神经网络详解

深度学习常用工具包解析

第三模块 NLP与深度学习应用

一、文本检索

什么是文本检索？

语言模型以及文本表示

检索模型训练以及测试(文本匹配)

如何评价检索到的文本好坏？

PyTorch 实践: 基于 RNN 的文本检索模型搭建，训练以及测试

二、文本生成

什么是文本生成？

文本生成的基本模型

如何评价生成的文本？什么是生成评价指标？

PyTorch 实践: 基于RNN的机器人写古诗

三、本文分类

什么是文本分类？

基于 CNN 的文本分类模型

基于 CNN 的文本分类模型

PyTorch 实践: CNN 文本分类模型 VS RNN 文本分类模型

四、机器翻译

什么是机器翻译？

机器翻译的统计学上的数学定义

机器翻译(seq2seq)模型

PyTorch 实践: 搭建并训练基于 RNN 的 encoder-decoder 中英翻译模型

PyTorch 实践: 拓展练习之--股票预测。

五、问答系统

问答系统介绍

基于检索式的传统问答系统

基于生成模型的问答系统

如何评价系统好坏？

如何生成更复杂的对话，情感和图片交互等？

PyTorch 实践: 基于 RNN 实现一个基本的问答模型