神经网络为建模语言提供了强大的新工具，并已被用于改善一些任务的最新技术，并解决过去不容易解决的新问题。这门课(在卡内基梅隆大学语言技术学院)将从神经网络的简要概述开始，然后用大部分时间展示如何将神经网络应用于自然语言问题。每个部分将介绍一个特定的问题或自然语言的现象，描述为什么很难建模，并演示几个模型，旨在解决这个问题。在此过程中，本课程将涵盖在创建神经网络模型中有用的不同技术，包括处理不同大小和结构的句子、高效处理大数据、半监督和非监督学习、结构化预测和多语言建模。
成为VIP会员查看完整内容
Introduction, Bag-of-words, and Multi-layer Perceptron
Language Modeling, Efficiency/Training Tricks
Convolutional Neural Nets for Text
Recurrent Networks for Sentence or Language Modeling
Efficiency Tricks for Neural Nets
Conditioned Generation
Attention
Distributional Semantics and Word Vectors
Sentence and Contextual Word Representations
Debugging Neural Nets (for NLP)
Structured Prediction with Local Independence Assumptions
Generating Trees or Graphs Incrementally
Generating Trees with Dynamic Programs
Search-based Structured Prediction
Minimum Risk Training and Reinforcement Learning
Advanced Search Algorithms
Adversarial Methods for Text
相关内容
卡耐基梅隆大学（Carnegie Mellon University）坐落在宾夕法尼亚州的匹兹堡，是一所享誉世界的私立顶级研究型大学，学校面积不大，学科门类不多，但在其所设立的几乎所有专业都居于世界领先水平。卡内基梅隆大学享誉全国的认知心理学、管理和公共关系学、写作和修辞学、应用历史学、哲学和生物科学专业。它的计算机、机器人科学、理学、美术及工业管理都是举世公认的一流专业。
Arxiv
5+阅读 · 2019年5月20日
Arxiv
6+阅读 · 2018年6月14日
相关VIP内容
相关资讯
相关论文
Arxiv
5+阅读 · 2019年5月20日
Arxiv
6+阅读 · 2018年6月14日
微信扫码咨询专知VIP会员