课程目录
1-1 [自然语言处理绪论] 自然语言处理的绪论 (20:37) 1-2 [自然语言处理绪论] 自然语言处理的发展历程 (26:09) 1-3 [自然语言处理绪论] 自然语言处理的研究内容 (20:29) 1-4 [自然语言处理绪论] 自然语言处理的主要挑战 (18:42) 2-1 [文本数据处理] 词频统计的实现 (09:41) 2-2 [文本数据处理] 词云生成的数据预处理 (15:57) 2-3 [文本数据处理] 词云生成的具体实现 (17:19) 3-1 [文本离散表示方法] 词向量的基本的概念和挑战 (18:46) 3-2 [文本离散表示方法] 词袋模型的基本概念和具体实现 (15:52) 3-3 [文本离散表示方法] 独热编码的表示方法 (11:09) 3-4 [文本离散表示方法] 词频-逆文本频率的实现 (13:03) 3-5 [文本离散表示方法] Bi-Gram模型的实现 (07:57) 3-6 [文本离散表示方法] N-Gram的理解和实现 (18:01) 4-1 [文本向量的分布式表示方法] 词向量的共现矩阵表示 (13:17) 4-2 [文本向量的分布式表示方法] 神经网络语言模型的原理 (38:25) 4-3 [文本向量的分布式表示方法] CBOW和Skip-Gram模型的原理 (19:53) 4-4 [文本向量的分布式表示方法] 中文词向量模型 (21:29) 4-5 [文本向量的分布式表示方法] 中文词向量模型的训练 (21:44) 4-6 [文本向量的分布式表示方法] 中文词向量的使用 (08:18) 4-7 [文本向量的分布式表示方法] 环境配置和词向量模型 (14:57) 4-8 [文本向量的分布式表示方法] 词向量的理解 (18:23) 4-9 [文本向量的分布式表示方法] FastText训练中文词向量 (08:34) 5-1 [Pytorch基础应用] Pytorch创建张量的方法 (14:25) 5-2 [Pytorch基础应用] Pytorch中tensor的方法 (08:24) 5-3 [Pytorch基础应用] Pytorch的自动微分机制 (10:25) 5-4 [Pytorch基础应用] Pytorch中数据加载的目的 (11:51) 5-5 [Pytorch基础应用] Pytorch中Dataset的作用 (23:21) 5-6 [Pytorch基础应用] Pytorch中DataLoader的使用 (10:18) 5-7 [Pytorch基础应用] Pytorch中自带在数据集 (15:13) 5-8 [Pytorch基础应用] Pytorch中数据加载的实现 (07:28) 6-1 [深度学习的文本分类] 文本分类的目的 (10:36) 6-2 [深度学习的文本分类] FastText文本分类的实现 (31:16) 6-3 [深度学习的文本分类] FastText意图识别的综合案例 (08:04) 6-4 [深度学习的文本分类] RNN的基本概念和原理 (12:28) 6-5 [深度学习的文本分类] 长短时记忆神经网络 (20:24) 6-6 [深度学习的文本分类] 基于TextRNN的中文文本分类 (21:10) 6-7 [深度学习的文本分类] 基于TextRCNN的中文文本分类 (23:29)
