详解NLP中的预训练模型、图神经网络、模型压缩、知识图谱

2021年眼看快要结束，回想起前段时间的秋招算法岗，可谓是从灰飞烟灭到人间炼狱。之后的趋势都变成了这样：转行的开始转行，换专业的开始换专业。

于是很多人欲转行NLP，原因是NLP技术近几年发展非常快，像 BERT、GPT-3、图神经网络、知识图谱 等技术被大量应用于项目实践中，这也推动了NLP在产业中的持续落地，以及行业对相关人才的需求。 

但是最近有粉丝私信我，NLP很难学，这条路能坚持走吗？

对于这位朋友的问题，我想从两方面开始回答。

NLP学起来不容易

0 1

很多大多数欲从事NLP相关工作的同学，往往都是通过自学的方式来进行学习，但是这样很明显的问题是：

1. 虽然学习了解了很多算法模型，但是 技术深度和宽度的理解是比较薄弱的，大多还是只停留在调用现有工具比如BERT、XLNet等阶段。  导致无论面试还是真正去业界做NLP，都会被NLP领域的”老枪老炮“们一眼识别出小白属性。

2. 对于算法原理理解不深刻，这就会导致实际应用时不能很好地发挥出来，另外面试时对于大厂面试官的刨根问底，只能是眼睁睁的丢掉offer。

学到多好才能找到好工作？

0 2

人的精力肯定是有极限的，既然急于求成要不得，那么我们究竟得学到多好才算是 “出山” ，可以去外面纵横天下了呢？

而对于NLP行业的面试无非就是向面试官证明两点：

• 我知道怎么做
• 我做过

没错，在这个行业内企业最看重的自然是项目经历，但初学者又很难接触到工业界项目，怎么办？

安心，我已经给你准备好了，

为了真正全面系统的培养NLP人才，贪心学院推出了《自然语言处理终身升级版》课程覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。并落地实操工业级项目，由资深的NLP负责人全程直播讲解，帮助你融会贯通，轻松拿offer。 

NLP算法工程师培养计划

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询

01 课程大纲

第一部分：机器学习基础篇

第一章：自然语言处理概述

• 自然语言处理的现状与前景

• 自然语言处理应用

• 自然语言处理经典任务

第二章：数据结构与算法基础

• 时间复杂度、空间复杂度

• 动态规划

• 贪心算法

• 各种排序算法

第三章：分类与逻辑回归

• 逻辑回归

• 最大似然估计

• 优化与梯度下降法

• 随机梯度下降法

第四章：模型泛化与调参

• 理解过拟合、防止过拟合

• L1与L2正则

• 交叉验证

• 正则与MAP估计

第二部分：文本处理篇

第五章：文本预处理与表示

• 各类分词算法

• 词的标准化

• 拼写纠错、停用词

• 独热编码表示

• tf-idf与相似度

• 分布式表示与词向量

• 词向量可视化与评估

第六章：词向量技术

• 独热编码的优缺点

• 分布式表示的优点

• 静态词向量与动态词向量

• SkipGram与CBOW

• SkipGram详解

• Negative  Sampling

第七章：语言模型

• 语言模型的作用

• 马尔科夫假设

• UniGram, BiGram, NGram模型

• 语言模型的评估

• 语言模型的平滑技术

第三部分：序列模型篇

第八章：隐马尔科夫模型

• HMM的应用

• HMM的Inference

• 维特比算法

• 前向、后向算法

• HMM的参数估计详解

第九章：线性条件随机场

• 有向图与无向图

• 生成模型与判别模型

• 从HMM与MEMM

• MEMM中的标签偏置

• Log-Linear模型介绍

• 从Log-Linear到LinearCRF

• LinearCRF的参数估计

 

第四部分：深度学习与预训练篇

第十章：深度学习基础

• 理解神经网络

• 各种常见的激活函数

• 反向传播算法

• 浅层模型与深度模型对比

• 深度学习中的层次表示

• 深度学习中的过拟合

第十一章：RNN与LSTM

• 从HMM到RNN模型

• RNN中的梯度问题

• 梯度消失与LSTM

• LSTM到GRU

• 双向LSTM

• 双向深度LSTM

第十二章：Seq2Seq模型与注意力机制

• Seq2Seq模型

• Greedy Decoding

• Beam Search

• 长依赖所存在的问题

• 注意力机制的实现

第十三章：动态词向量与ELMo技术

• 基于上下文的词向量技术

• 图像识别中的层次表示

• 文本领域中的层次表示

• ELMo模型

• ELMo的预训练与测试

• ELMo的优缺点

第十四章：自注意力机制与Transformer

• LSTM模型的缺点

• Transformer概述

• 理解自注意力机制

• 位置信息的编码

• 理解Encoder和Decoder区别

• 理解Transformer的训练与预测

• Transformer的缺点

第十五章：BERT与ALBERT

• 自编码介绍

• Transformer Encoder

• Masked语言模型

• BERT模型

• BERT的不同训练方式

• ALBERT 
  

第十六章：BERT的其他变种

• RoBERTa模型

• SpanBERT模型

• FinBERT模型

• 引入先验知识

• K-BERT

• KG-BERT

第十七章：GPT与XLNet

• Transformer Encoder回顾

• GPT-1, GPT-2,  GPT-3

• ELMo的缺点

• 语言模型下同时考虑上下文

• Permutation LM

• 双流自注意力机制

  
  

第五部分：信息抽取与知识图谱篇

 

第十八章：命名识别与实体消歧

• 信息抽取的应用和关键技术

• 命名实体识别

• NER识别常用技术

• 实体统一技术

• 实体消歧技术

• 指代消解

第十九章：关系抽取

• 关系抽取的应用

• 基于规则的方法

• 基于监督学习的方法

• Bootstrap方法

• Distant Supervision方法

第二十章：句法分析

• 句法分析的应用

• CFG介绍

• 从CFG到PCFG

• 评估语法树

• 寻找最好的语法树

• CKY算法

第二十一章：依存文法分析

• 从语法分析到依存文法分析

• 依存文法分析的应用

• 基于图算法的依存文法分析

• 基于Transition-based的依存文法分析

• 依存文法的应用案例

第二十二章：知识图谱

• 知识图谱的重要性

• 知识图谱中的实体与关系

• 非结构化数据与构造知识图谱

• 知识图谱设计

• 图算法的应用

第六部分：模型压缩与图神经网络篇

第二十三章：模型的压缩

• 模型压缩重要性

• 常见的模型压缩总览

• 基于矩阵分解的压缩技术

• 基于蒸馏的压缩技术

• 基于贝叶斯模型的压缩技术

• 模型的量化

第二十四章：基于图的学习

• 图的表示

• 图与知识图谱

• 关于图的常见算法

• Deepwalk和Node2vec

• TransE图嵌入算法

• DSNE图嵌入算法

第二十五章：图神经网络

• 卷积神经网络回顾

• 在图中设计卷积操作

• 图中的信息传递

• 图卷积神经网络

• 图卷积神经网络的经典应用

第二十六章：GraphSage与GAT

• 从GCN到GraphSAge

• 注意力机制回归

• GAT模型详解

• GAT与GCN比较

• 对于异构数据的处理

第二十七章：图神经网络的其他应用

• Node Classification

• Graph Classification

• Link Prediction

• 社区挖掘

• 推荐系统

• 图神经网络的未来发展

NLP算法工程师培养计划

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询

02 课程中的部分案例

1. 实现一个拼写纠错器

2. 从零实现Word2Vec词向量

3. 利用SkipGram做推荐

4. 从零实现HMM模型

5. 基于Linear-CRF的词性分类器实现

6. 从零实现深度学习反向传播算法

7. 实现AI程序帮助写程序

8. 实现AI程序帮助写文章

9. 基于Transformer的机器翻译

10. 基于KG-BERT的知识图谱学习

11. 基于知识图谱的风控系统

12. 基于知识图谱的个性化教学

13. 利用蒸馏算法压缩Transformer

14. 利用GCN实现社交推荐

15. 基于GAT的虚假新闻检测

（剩下20+个案例被折叠，完整请咨询...）

03 课程中的部分项目作业

        

01

豆瓣电影评分预测

     涉及到的知识点：

• 中文分词技术

• 独热编码、tf-idf

• 分布式表示与Word2Vec

• BERT向量、句子向量

02

智能客服问答系统

     涉及到的知识点 ：

• 问答系统搭建流程

• 文本的向量化表示

• FastText

• 倒排表

• 问答系统中的召回、排序

03

基于Linear-CRF的医疗实体识别

     涉及到的知识点 ：

• 命名实体识别

• 特征工程

• 评估标准

• 过拟合

04

基于闲聊的对话系统搭建

     涉及到的知识点 ：

• 常见的对话系统技术

• 闲聊型对话系统框架

• 数据的处理技术

• BERT的使用

• Transformer的使用

05

搭建基于医疗知识图谱的问答系统

     涉及到的知识点 ：

• 医疗专业词汇的使用

• 获取问句的意图

• 问句的解释、提取关键实体

• 转化为查询语句

06

搭建基于医疗知识图谱的问答系统

      涉及到的知识点 ：

• 文本摘要生成介绍

• 关键词提取技术

• 图神经网络的摘要生成

• 基于生成式的摘要提取技术

• 文本摘要质量的评估

04 课程中带读的部分论文

主题	论文名称
机器学习	XGBoost: A Scalable Tree Boosting System
机器学习	Regularization and Variable Selection via the Elastic Net
词向量	Evaluation methods for unsupervised word embeddings
词向量	Evaluation methods for unsupervised word embeddings
词向量	GloVe: Global Vectors for Word Representation
词向量	Deep Contexualized Word Representations
词向量	Attention is All You Need
词向量	BERT: Pretraining of Deep Bidirectional Transformers for Language Understanding
词向量	XLNet: Generalized Autoregressive Pretraining for Language Understanding
词向量	KG-BERT: BERT for Knowledge Graph Completion
词向量	Language Models are Few-shot Learners
图学习	Semi-supervised Classification with Graph Convolutional Networks
图学习	Graph Attention Networks
图学习	GraphSAGE: Inductive Representation Learning on Large Graphs
图学习	Node2Vec: Scalable Feature Learning for Networks
被折叠	其他数十篇文章......

NLP算法工程师培养计划

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询

05 课程适合谁？

大学生

• 理工科相关专业的本科/硕士/博士生，毕业后想从事NLP工作的人

• 希望能够深入AI领域，为科研或者出国做准备

• 希望系统性学习NLP领域的知识
  

在职人士

• 目前从事IT相关的工作，今后想做跟NLP相关的项目

• 目前从事AI相关的工作，希望与时俱进，加深对技术的理解

• 希望能够及时掌握前沿技术

06 报名须知

1、本期仅招收50人，剩余名额有限。

2、品质保障！正式开课后7天内，无条件全额退款。

3、学习本课程需要具备一定的机器学习基础。

NLP算法工程师培养计划

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询