斯坦福大学2020《自然语言处理CS224n》课件合集
最新课程CS224n——自然语言处理与深度学习，主讲人是斯坦福大学Chris Manning，他是斯坦福大学机器学习教授，语言学和计算机科学教授，斯坦福人工智能实验室（SAIL）主任，以人为本的人工智能研究所副所长。
近年来，深度学习方法在许多不同的NLP任务中获得了非常高的性能，使用不需要传统的、特定于任务的特征工程的单个端到端神经模型。在本课程中，学生将深入了解NLP深度学习的前沿研究。通过讲座、作业和期末专题，学生将学习设计、实施和理解自己的神经网络模型所需的必要技能。本课程使用Pytorch 进行教学。
https://web.stanford.edu/class/cs224n/
该课程已经结束，课件如下：
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“CS224N” 可以获取《斯坦福大学2020《自然语言处理CS224n》课件合集》专知下载链接索引
克里斯托弗·曼宁(Christopher Manning)是斯坦福大学(Stanford University)计算机科学和语言学系机器学习教授，斯坦福大学人工智能实验室(SAIL)主任。他的研究目标是能够智能处理、理解和生成人类语言材料的计算机。曼宁是将深度学习应用于自然语言处理领域的领军人物，在树递归神经网络、词向量手套模型、情感分析、神经网络依赖分析、神经机器翻译、问答和深度语言理解等领域都有著名的研究成果。他还专注于解析、自然语言推理和多语言处理的计算语言方法，包括斯坦福依赖关系和通用依赖关系的主要开发者。曼宁与人合著了《自然语言处理的统计方法》（Manning and Schütze 1999）和《信息检索》（Manning，Raghavan and Schütze，2008）两本领先的教科书，还合著了关于能性和复杂谓词的语言学专著。他是ACM Fellow，AAAI Fellow，ACL Fellow，也是前ACL主席(2015)。他的研究曾获得ACL、Coling、EMNLP和CHI最佳论文奖。1994年，他在澳大利亚国立大学获得学士学位，在斯坦福大学获得博士学位。在回到斯坦福大学之前，他曾在卡内基梅隆大学和悉尼大学担任教职。他是斯坦福NLP小组的创始人，负责斯坦福大学CoreNLP软件的开发。
个人主页：https://nlp.stanford.edu/~manning/
课程安排
01: 介绍和词向量（Introduction and Word Vectors）
Gensim字矢量示例（Gensim word vectors example:）
02：单词向量2和单词意义(Word Vectors 2 and Word Senses)
03：Python复习课(Python review session)
04：词窗口分类、神经网络和矩阵演算(Word Window Classification, Neural Networks, and Matrix Calculus)
05：反向传播和计算图(Backpropagation and Computation Graphs)
06：语言结构:依存分析(Linguistic Structure: Dependency Parsing)
07：一个句子的概率?递归神经网络和语言模型(The probability of a sentence? Recurrent Neural Networks and Language Models)
08：消失的梯度和花哨的RNNs (Vanishing Gradients and Fancy RNNs)
09：机器翻译，Seq2Seq and Attention (Machine Translation, Seq2Seq and Attention)
10：最终项目的实用技巧(Practical Tips for Final Projects)
11：问答和默认的最终项目(Question Answering and the Default Final Project)
12：NLP的ConvNets（ConvNets for NLP）
13：部分单词（子单词模型）和转换器结构的信息（部分单词（子单词模型）和转换器结构的信息）
14：上下文单词表示（Contextual Word Representations）
15：使用的建模上下文:上下文表示和预训练（Modeling contexts of use: Contextual Representations and Pretraining）
16：自然语言生成（Natural Language Generation）
17：语言参考和共指解析（Reference in Language and Coreference Resolution）
18：AI中的公平和包容（Fairness and Inclusion in AI）
19：选区解析和树递归神经网络（Constituency Parsing and Tree Recursive Neural Networks）
20：NLP以及深度学习的未来（NLP+深度学习的未来）
相关内容
微信扫码咨询专知VIP会员