值不值得学：先看它解决什么工作场景

这门资料聚焦于用深度学习里的 TextCNN 模型做文本分类。如果你平时的工作涉及信息流推荐、智能客服或者对话系统的后端逻辑，大概率会遇到短文本分类的需求。比如用户在客服窗口输入一句很短的话，系统得快速判断这是咨询退款还是催发货，这种短文本往往缺乏上下文，传统方法容易误判。这套资料不是泛泛讲深度学习理论，而是直接拿工业界的短文本分类案例做切入点，从推荐系统架构讲到客服对话场景，把业务痛点和技术方案串起来。对于想往 NLP 方向转，或者需要在自己的业务系统里加一层文本理解模块的人来说，它解决的是“模型怎么落地到具体业务”这个卡点。

适合什么基础：建议先看哪几块

这套资料默认你已经懂 Python，对神经网络的基本概念有大致了解，不需要你是算法科班出身，但最好写过简单的训练脚本。如果你完全没碰过卷积神经网络，建议先跳到论文解读那几节，把卷积层的维度变化和整体计算流程看明白，再回头听前面的业务案例分析。资料里对 CNN 文本分类的原始论文做了拆解，这部分是理解 TextCNN 为什么能抓取局部特征的关键。基础薄弱的人不要一上来就死磕代码实现，先把卷积层怎么对文本做滑窗、特征图怎么拼接这些概念在脑子里跑通，后面看模型结构会顺很多。

学完能独立做什么：资料怎么配合练习

把这套资料啃下来，你应该能独立搭一个新闻资讯或者客服短文本的分类模型，从数据预处理、词向量构建到网络结构搭建和训练调参都能自己跑通。练习的时候建议拿一份公开的短文本数据集，边看视频边对照着自己写一遍代码，不要光听不动手。资料里涉及的论文解读部分，最好配合原论文一起看，把论文里的网络结构图和视频里的维度变化讲解对应起来，自己画一遍数据流向图。如果手头有业务场景的真实数据，可以直接拿来做替换测试，看看模型在你自己的数据分布上表现如何，这样比单纯跑通示例代码收获大得多。


掌握新闻资讯类TextCNN新闻分类实现

课程目录

*   01 课程导读/

  *   01 学什么.mp4 12:38

  *   02 NLP那些事.mp4 06:34

*   02 工业界短文本分类案例分析/

  *   01 信息流产品推荐系统架构.mp4 04:48

  *   02 智能客服案例.mp4 05:21

  *   03 对话系统案例.mp4 06:14

  *   04 短文本分类困难以及技术方案.mp4 04:54

  *   05 文本分类整体技术方案.mp4 07:30

*   03 短文本分类论文解读/

  *   01 CNN网络卷积层概念.mp4 06:09

  *   02 CNN网络卷积层维度变化.mp4 06:45

  *   03 CNN网络整体计算流程.mp4 08:43

  *   04 CNN文本分类论文解读1.mp4 13:50

  *   05 CNN文本分类论文解读2.mp4 14:00

  *   06 CNN文本分类论文解读3.mp4 07:34

  *   07 CNN文本分类论文解读4.mp4 11:18

*   04 基础工具必备/

  *   01 word2vec词向量介绍.mp4 05:38

  *   02 word2vec词向量使用.mp4 06:25

  *   03 tensorboardX工具介绍.mp4 05:02

  *   04 tensorboardX可视化.mp4 07:20

*   05 短文本分类项目实战/

  *   01 数据分析 数据加载.mp4 07:46

  *   02 数据分析 数据预处理.mp4 07:53

  *   03 数据分析 文本长度可视化.mp4 07:31

  *   04 数据分析 词云可视化.mp4 11:55

  *   05 项目整体框架搭建.mp4 09:51

  *   06 文本分类模型经验介绍.mp4 05:50

  *   07 数据预处理.mp4 09:07

  *   08 构建字典1.mp4 06:30

  *   09 构建字典2.mp4 14:04

  *   10 数据离散化1.mp4 04:50

  *   11 数据离散化2.mp4 08:58

  *   12 数据离散化3.mp4 09:31

  *   13 数据集切分训练集和验证集.mp4 10:41

  *   14 自定义数据集dataset.mp4 08:10

  *   15 DataLoader 批量加载.mp4 09:32

  *   16 数据处理功能回顾.mp4 04:57

  *   17 中文词向量介绍.mp4 07:06

  *   18 构建业务领域词向量.mp4 11:41

  *   19 模型参数配置.mp4 16:09

  *   20 模型定义embedding layers层.mp4 07:30

  *   21 模型定义池化层和卷积层.mp4 11:44

  *   22 模型定义全连接层.mp4 07:41

  *   23 数据特征提取和预测过程.mp4 10:04

  *   24 代码调试和词典文件存储.mp4 11:42

  *   25 模型结构讲解.mp4 06:08

  *   26 训练方法定义1.mp4 08:58

  *   27 训练方法定义2.mp4 09:03

  *   28 模型评估方法定义1.mp4 12:08

  *   29 模型评估方法定义2.mp4 04:37

  *   30 模型评估方法定义3.mp4 05:53

  *   31 模型训练和评估代码调试.mp4 03:46

  *   32 模型优化.mp4 08:27

  *   33 CPU模型训练以及调优方案.mp4 06:26

  *   34 词向量初始化分词和字两种模型训练对比.mp4 05:47

  *   35 随机模式分词和字两种模型训练对比.mp4 04:58

  *   36 模型训练效果tensorboard可视化.mp4 03:20

  *   37 模型部署 参数字典生成.mp4 04:53

  *   38 模型部署 命令行和postman方式模型预测.mp4 03:16