稀牛-AI人工智能工程师-NLP必备技能

AI人工智能工程师-NLP必备技能主要指的是在自然语言处理（NLP）领域中，作为人工智能工程师应具备的必要技能。这些技能包括但不限于：

自然语言处理基础知识：掌握自然语言处理的基本概念、原理和常用算法，了解语言学的基础知识。

机器学习和深度学习：熟悉常用的机器学习和深度学习算法，并能应用于NLP任务中，如文本分类、情感分析、机器翻译等。

文本表示与向量化：了解和掌握常用的文本表示方法，如词袋模型、TF-IDF、word2vec等，能够将文本数据转化为向量表示。

语言模型和序列模型：熟悉语言模型的概念和常用模型，如N-gram、循环神经网络（RNN）、长短期记忆网络（LSTM）等，并能应用于文本生成、语音识别等任务。

实体识别和关系抽取：了解实体识别和关系抽取的基本方法和算法，能够从文本中提取出命名实体和实体之间的关系。

情感分析和情感推理：熟悉情感分析的方法和技术，能够判断文本中的情感倾向，并进行情感推理。

机器翻译和问答系统：了解机器翻译和问答系统的基本原理和方法，能够实现基于NLP的自动翻译和问答功能。

除了以上的必备技能外，作为AI工程师在NLP领域还需要具备数据处理和清洗、模型评估和调优、算法优化等相关技能。总之，稀牛的AI人工智能工程师-NLP必备技能旨在帮助工程师全面掌握NLP领域的知识和技术，能够应用于实际的项目中。

课程目录

├──01-自然语言处理基础知识与操作

| ├──第二章英文文本处理与解析

| | ├──【实战】nltk工具库英文文本处理案例.mp4 139.99M

| | ├──【实战】spacy工具库英文文本处理案例.mp4 413.95M

| | ├──【实战】基于python的英文文本相似度比对.mp4 122.75M

| | ├──【实战】简易文本情感分析器构建.mp4 34.02M

| | ├──英文文本解析任务介绍：分词、去停用词、提取词干等.mp4 69.12M

| | ├──章概述.mp4 13.90M

| | └──章小结.mp4 24.52M

| ├──第三章中文文本处理与解析

| | ├──jieba工具库介绍.mp4 498.41M

| | ├──【实战】python新闻网站关键词抽取.mp4 44.70M

| | ├──【实战】python中文文本清洗、处理与可视化.mp4 168.51M

| | ├──章概述.mp4 7.38M

| | ├──章小结.mp4 35.26M

| | ├──中文文本处理任务介绍：分词、去停用词、ngram.mp4 209.10M

| | └──中文文本解析任务介绍：词性分析、依赖分析等.mp4 151.12M

| └──第一章自然语言处理基础

| | ├──模式匹配与正则表达式.mp4 431.25M

| | ├──文本数据、字、词、term.mp4 182.51M

| | ├──一章概述.mp4 6.26M

| | ├──一章小结.mp4 58.75M

| | ├──字符串处理.mp4 370.12M

| | └──字符串基本处理与正则表达式文本匹配与替换.mp4 492.86M

├──02-语言模型与应用

| ├──第二章统计语言模型与神经语言模型构建

| | ├──【实战】kenlm工具库使用及语言模型生成.mp4 189.76M

| | ├──【实战】基于kenlm的简易拼写纠错.mp4 174.21M

| | ├──【实战】基于pytorch的语言模型训练.mp4 247.99M

| | ├──基于rnn的神经语言模型.mp4 647.21M

| | ├──基于统计的语言模型构建.mp4 220.51M

| | ├──章概述.mp4 29.84M

| | └──章小结.mp4 102.33M

| ├──第一章语言模型与应用

| | ├──ngram应用：词性标注、中文分词、机器翻译与语音识别.mp4 397.08M

| | ├──ngram语言模型.mp4 240.13M

| | ├──假设性独立与联合概率链规则.mp4 67.24M

| | ├──章概述.mp4 25.92M

| | └──章小结.mp4 35.46M

| ├──考核作业.zip 221.70kb

| └──课件与代码.zip 8.65M

├──03-文本表示

| ├──第二章-文本表示进阶

| | ├──01章概述.mp4 50.13M

| | ├──02-预训练在图像领域的应用.mp4 322.03M

| | ├──03-elmo基于上下文的word embedding.mp4 319.96M

| | ├──04-gpt transformer建模句子信息.mp4 566.71M

| | ├──05-bert 预训练双向transformer.mp4 708.94M

| | ├──06-基于bert进行fine-tuning.mp4 176.06M

| | └──07章小结.mp4 52.20M

| ├──第一章-文本词与句的表示

| | ├──01章概述.mp4 36.86M

| | ├──02-文本表示概述.mp4 129.10M

| | ├──03-文本离散表示：词袋模型与tf-idf.mp4 305.20M

| | ├──04-文本分布式表示：word2vec.mp4 279.58M

| | ├──05-【实战】python中文文本向量化表示.mp4 121.62M

| | ├──06-【实战】基于gensim的中文文本词向量训练与相似度匹配.mp4 286.17M

| | └──07章小结.mp4 28.11M

| └──考核作业.zip 61.54kb

├──04-文本分类

| ├──第二章-文本分类深度学习模型与实战

| | ├──01章概述.mp4 5.44M

| | ├──02-词嵌入与fine-tuning.mp4 12.72M

| | ├──03-基于卷积神经网络的文本分类.mp4 264.69M

| | ├──04-基于lstm的文本分类.mp4 123.65M

| | ├──05-transformerself-attention介绍.mp4 62.14M

| | ├──06-使用tensorflow构建卷积神经网络完成新闻分类.mp4 105.84M

| | ├──07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4 10.41M

| | └──08章小结.mp4 7.39M

| ├──第一章-文本分类机器学习模型与实战

| | ├──01章概述.mp4 55.82M

| | ├──02-朴素贝叶斯模型与中文文本分类.mp4 395.33M

| | ├──03-逻辑回归 _svm与文本分类.mp4 1.25G

| | ├──04-facebook fasttext原理与操作.mp4 366.85M

| | ├──05-【实战】python中文新闻分类.mp4 214.96M

| | ├──06-【实战】基于fasttext的文本情感分析.mp4 183.86M

| | └──07章小结.mp4 73.19M

| └──考核作业.zip 99.19kb

├──05-文本主题抽取与表示

| ├──第一章-文本主题抽取与表示

| | ├──01章小结.mp4 6.57M

| | ├──02-基于tf-idf与text-rank的主题词抽取.mp4 16.35M

| | ├──03-监督学习与文本打标签.mp4 6.58M

| | ├──04-无监督学习与lda主题模型.mp4 182.60M

| | ├──05基于python的中文关键词抽取与可视化.mp4 6.55M

| | ├──06-基于lda的新闻主题分析与可视化呈现.mp4 39.47M

| | └──07章小结.mp4 7.20M

| └──考核作业.zip 42.93kb

├──06-序列到序列模型

| ├──第一章-序列到序列模型与应用

| | ├──01章概述.mp4 5.78M

| | ├──02-从rnn到seq2seq模型.mp4 6.01M

| | ├──03-编码解码模型.mp4 12.59M

| | ├──04-seq2seq模型详解.mp4 45.24M

| | ├──05-注意（attention）机制.mp4 36.38M

| | ├──06-tensorflow seq2seq模型使用方法详解.mp4 177.54M

| | ├──07-基于seq2seq的文本摘要生成实现.mp4 148.80M

| | └──08章总结.mp4 72.69M

| └──考核作业.zip 47.73kb

├──07-文本生成

| ├──第一章-文本生成与自动创作

| | ├──01章概述.mp4 2.42M

| | ├──02-基于rnn lstm的语言模型回顾.mp4 10.51M

| | ├──03-基于语言模型的文本生成原理.mp4 2.04M

| | ├──04-【实战】基于lstm的唐诗生成器.mp4 67.12M

| | ├──05-基于seq2seq的文本序列生成原理.mp4 9.20M

| | ├──06-【实战】基于seq2seq的对联生成器.mp4 96.68M

| | └──07章小结.mp4 14.87M

| └──考核作业.zip 71.06kb

├──08-机器翻译

| └──第一章-机器翻译：双语翻译

| | ├──01-统计机器翻译

| | ├──02-基于seq2seq的机器翻译模型

| | ├──03-fackbook基于CNN的机器翻译模型

| | └──04-来自Google的Transformer模型

├──09-聊天机器人

| └──第一章-聊天机器人：机器客服与语音助手

| | ├──01-基于内容匹配的聊天机器人

| | └──02-基于seq2seq的聊天机器人

├──10-视觉文本任务：看图说话

| ├──01-看图说话问题与实现

| | ├──1.1 本章概述.mp4 2.86M

| | ├──1.2 “看图说话”问题介绍.mp4 7.81M

| | ├──1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4 67.26M

| | ├──1.4 注意力模型与“看图说话”优化.mp4 26.76M

| | ├──1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4 105.95M

| | ├──1.6 【实战】基于attention model的“看图说话”实现.mp4 27.92M

| | └──1.7 本章小结.mp4 1.84M

| └──02-视觉问答机器人(VQA)原理与实现

| | ├──2.1 本章概述.mp4 1.61M

| | ├──2.2 视觉问答机器人问题介绍.mp4 34.82M

| | ├──2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4 30.93M

| | ├──2.4 基于注意力(attention)的深度学习vqa实现方案.mp4 16.18M

| | ├──2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4 24.39M

| | ├──2.6【实战】基于attention的深度学习vqa模型实现.mp4 41.58M

| | └──2.7 本章小结.mp4 1.67M

└──11-文本相似度计算与文本匹配问题

| ├──01-文本相似度计算与文本匹配问题

| | ├──1.1 本章概述.mp4 5.89M

| | ├──1.2 文本相似度问题与应用.mp4 9.06M

| | ├──1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp4 148.01M

| | ├──1.4 【实战】编辑距离计算python实现.mp4 23.46M

| | ├──1.5 【实战】基于simhash的相似文本判断.mp4 62.75M

| | ├──1.6 【实战】词向量word averaging.mp4 24.75M

| | ├──1.7 本章小结.mp4 2.36M

| | └──第1章文本相似度问题与应用场景.pdf 7.49M

| └──02-基于深度学习的文本语义匹配

| | ├──2.1 本章概述.mp4 2.93M

| | ├──2.2 基于深度学习的句子相似度模型.mp4 32.12M

| | ├──2.3 dssm（deep structured semantic models）模型详解.mp4 20.85M

| | ├──2.4 drmm（deep relevance matching model）模型详解.mp4 21.39M

| | ├──2.5【实战】基于lstm的监督学习语义表达抽取.mp4 81.31M

| | ├──2.6【实战】基于dssm的问题语义相似度匹配案例.mp4 25.91M

| | ├──2.7【实战】基于drmm的问答匹配案例.mp4 21.68M

| | ├──2.8 本章小结.mp4 3.94M

| | └──第2章基于深度学习的文本语义匹配.pdf 7.84M