小象学院：《自然语言处理》第二期（视频+资料）百度云下载

本套课程由小象学院出品：《自然语言处理》第二期，官网售价699元，由秦曾昌老师主讲。语言是人类区别其他动物的本质特性，只有人类能够用语言表达自己的想法。用自然语言与计算机进行通信，这是人们长期以来所追求的，那如何才能将它们联系起来呢？自然语言如何进行处理呢？学习本套课程你将收获到语言模型、语言技术、神经语言模型、循环神经网络、机器翻译等，更多技能需要自己通过学习才能解锁喔，本套课程共22个章节， 包含课程视频与源码资料，课程文件大小总计1.94G，文章底部附下载链接。

如果对人工智能和AI比较感兴趣的同学，也可以学习一下AI人工智能高级实战工程师就业课程（源码+视频）

课程文件目录：

C-129：《自然语言处理》第二期

1.1 课程简介及推荐书目

1.10 凸集合和凸函数

1.2 NLP的研究领域及应用

1.3 自然语言的6个重要术语

1.4 语言学的发展史 1

1.5 语言学的发展史 2

1.6 语言学的发展史 3

1.7 函数

1.8 向量与向量的模

1.9 矩阵和矩阵运算

2.1 主观概率和客观概率

2.10 辛普森悖论和贝叶斯概率解题实例

2.2 概率模型与条件概率

2.3 贝叶斯原理与推理

2.4 随机变量：二项式概率

2.5 随机变量：期望与方差

2.6 随机变量：联合概率

2.7 伯努利分布和二项式分布

2.8 多项式分布、伽玛分布和Beta分布

2.9 泊松分布、高斯分布、对数正态分布和指数分布

第一周答疑

3.1 语言的进化：来自自然选择的社会协作

3.2 语言的进化：语言游戏与摩斯密码

3.3 语言与智能：信息熵

3.4 语言与智能：交叉熵的定义

3.5 语义的进化

3.6 语言模型：语言概率

3.7 词袋模型

3.8 二元语言模型：CR情感分析

4.1 三元语言模型

4.10 N-Gram模型

4.11 Optimal Path 最优路径模型

4.12 中文分词工具：Jieba

4.2 语言模型评价：交叉熵

4.3 语言模型评价：Perplexity(困惑度）

4.4 语言评价模型：Interpolation(插值法)

4.5 概率模型：垃圾邮件分类

4.6 概率模型：拼写检查

4.7 语音模型和机器翻译模型

4.8 中文构词法

4.9 最大化匹配

第二周答疑

5.1 词表达

5.10 Word2Vec-Part 3

5.2 语义相似度

5.3 TF-IDF权重处理

5.4 One-Hot表达

5.5 神经网络基础

5.6 神经网络：反向传播 1

5.7 神经网络：反向传播 2

5.8 Word2Vec-Part 1

5.9 Word2Vec-Part 2

6.1 什么是词性标注（POS Tagging）

6.10 混合模型详解5：隐马尔科夫模型

6.2 词性标注的方法

6.3 词性的标注类别和标注集

6.4 规则标注和N-Gram方法

6.5 从混合模型到HMM

6.6 混合模型详解1：EM模型

6.7 混合模型详解2：EM模型

6.8 混合模型详解3：高斯混合模型

6.9 混合模型详解4：隐马尔可夫模型

第三周答疑

7.1 概率图模型：贝叶斯网络（有向无环图）

7.2 概率图模型：分层图模型

7.3 概率图模型：隐马尔科夫链

7.4 隐马尔可夫模型的推导 1

7.5 隐马尔科夫模型的推导 2

7.6 隐马尔科夫模型的推导 3

7.7 隐马尔科夫模型的推导 4

7.8 PLSA主题模型1

7.9 PLSA主题模型 2

8.1 向量表达和潜在语义索引（LSI）

8.10 实验报告：文本语义相似度

8.11 延展实验：主题模型引入字词关系的实现

8.12 实验总结

8.2 LDA和狄利克雷分布

8.3 LDA主题模型

8.4 主题模型的深化与对比

8.5 语义距离（Semantic Distance）

8.6 中文LDA模型：Word-base 和 Character-Base

8.7 实验报告：困惑度（Perplexity）

8.8 实验报告：文本分类准确度

8.9 中英双语料库实验

第四周答疑

9.1 上下文无关句法（CFG）-Part 1

9.2 上下文无关句法（CFG）-Part 2

9.3 概率上下文无关句法（PCFG）- Part 1

9.4 概率上下文无关句法（PCFG）-Part 2

9.5 概率上下文无关句法（PCGF）-Part 3

10.1 机器翻译（Machine Translation）-Part 1

10.2 机器翻译（Machine Translation）-Part 2

10.3 机器翻译（Machine Translation）-Part 3

10.4 机器翻译（Machine Translation）-Part 4

10.5 机器翻译（Machine Translation）-Part 5

10.6 机器翻译（Machine Translation）-Part 6

第五周答疑

11.1 神经元

11.2 全连接网络及特性

11.3 Auto-Encode 自编码器

11.4 反向传播（BP）

11.5 卷积神经网络（CNN）的理解

11.6 CNN的基本原理：卷积核、权重和池化

11.7 CNN的计算过程

11.8 CNN如何应用在自然语言处理中

12.1 循环神经网络的基本原理

12.2 Elman Network和Jordan Networ

12.3 LSTM的核心思想

12.4 LSTM的分步实现详解

12.5 Encoder-Decoder 框架

12.6 Seq2Seq 模型

12.7 注意力机制（Attention Mechanism）

第六周答疑

13.1 注意力机制产生的背景回顾

13.2 注意力模型的实现原理

13.3 注意力模型的应用领域

13.4 记忆网络（Memory Network）的组成

13.5 记忆网络的计算过程和实现方法

13.6 匹配函数（Match Function）

13.7 注意力模型的延展1：Neural Programmer

13.8 注意力模型的延展2：神经图灵机

14.1 UT的典型结构：Stack of Encoder and Decoder

14.2 Self-Attention的计算

14.3 Multi-Head Attention 和前向反馈神经网络FFNN

14.4 位置编码（Positional Encoding）

14.5 层泛化（Lay Normalization）

14.6 Softmax Layer：交叉熵和损失函数的计算

14.7 ACT模型（Adaptive Computation Time）

14.8 Universal Transformer 的完整实现流程

第七周答疑

15.1 自然语言研究可行方向：知识图谱与深度学习的结合

15.2 语义关系计算与知识库

15.3 知识库推理学习：Neural Tensor Network

15.4 跨媒体信息搜索：CMIR

15.5 文本图卷积网络（Text GCN）

15.6 NLP未来的探索方向