这门课在解决什么工作场景
这份资料围绕自然语言处理（NLP）的核心技术栈展开，解决的是“懂业务但搞不定文本底层模型”的痛点。日常工作里，如果你要做搜索引擎优化、对话意图识别、敏感词过滤、评论情感分析或是知识库抽取，光靠调现成 API 或写正则规则很快会撞到天花板。这套内容把重点压在 word2vec、LSTM、Attention 机制、Transformer 结构和 BERT 模型上，带你从词向量的数学原理，一路摸到主流预训练模型的结构。它不是教你套壳调用大模型接口，而是拆解底层的特征提取和上下文表示逻辑，帮你搞懂为什么这套架构能处理好长文本的上下文依赖。
适合什么基础与学完能独立做什么
资料默认你已经写 Python 顺手，能看懂基础的张量运算，最好对神经网络的前向传播和反向传播有概念。如果你只停留在写脚本爬数据的水平，直接啃 BERT 源码会非常吃力，建议先回头补齐微积分基础和 PyTorch 或 TensorFlow 的基本操作。学完之后，你不至于立刻去手搓千亿参数的大模型，但完全能独立完成中小规模业务场景的落地：比如给公司的工单打标签、做垂直领域的文本分类、基于 BERT 微调一套专属的客服问答系统，或者给一堆非结构化文档做实体抽取。更重要的是，以后遇到开源模型跑不通、显存溢出或训练不收敛时，你能凭对底层结构的理解去定位问题，而不是只能去论坛盲目求助。
资料怎么配合练习
建议不要按资料包的文件夹顺序从头硬啃，而是按“先打地基再盖楼”的思路来。第一步先看语言模型与 word2vec 那几节，配合纯 Python 把词向量的训练过程跑通，搞懂词袋模型到底缺了什么。第二步直接跳到 Transformer 和 Attention 机制，结合 BERT 详解去理解自注意力的矩阵运算，这是整套资料的骨架。最后，把文本分类和数据标准化相关的源码下载下来，换成你手头真实的业务数据跑一遍微调。资料里附带的源码不要只看不动，务必在本地搭好环境，逐行断点调试，观察每个 Epoch 后的损失函数变化。只有亲手改过几组超参数，把模型跑崩过几次，这套架构才算真正长进你的脑子里。
01 预习内容 · 02 开班典礼 · 03 序列神经网络
课程目录
* 01 预习内容/
* 01 预习内容/
* 01 自然语言处理-语言模型
* 02 自然语言处理-word2vec
* 03 自然语言处理-文本分类
* 04 LSTM模型
* 05 Attention模型
* 06 Bert模型详解
* 02 开班典礼/
* 01 开班典礼/
* 01 开班典礼
* 03 序列神经网络/
* 01 语言模型/
* 01 语言模型
* 02 word2vec/
* 01 word2vec1
* 02 word2vec2
* 03 循环神经网络/
* 02 循环神经网络
* 02 源码【内有网盘地址】.txt
* 04 数据标准化和resnet/
* 01 数据标准化和resnet
* 01 源码【内有网盘地址】.txt
* 05 transformer结构和attention/
* 01 transformer结构和attention
* 06 transformer架构详解（上）/
* 01 transformer架构详解（上）
* 01 源码【内有网盘地址】.txt
* 01 课程笔记.pdf
* 07 transformer架构详解（下）/
* 01 transformer架构详解（下）
* 01 源码【内有网盘地址】.txt
* 08 bert模型的文本分类/
* 01 bert模型的文本分类
* 01 源码【内有网盘地址】.txt
* 09 ernie模型精讲/
* 01 ernie模型精讲
* 01 源码【内有网盘地址】.txt
* 10 GPT模型和医疗系统搭建/
* 01 GPT模型和医疗系统搭建
* 01 源码【内有网盘地址】.txt
* 11 项目实战gpt和医疗系统/
* 01 源码【内有网盘地址】.txt
* 01 项目实战gpt和医疗系统
* 12 内容理解/
* 01 内容理解
* 01 源码【内有网盘地址】.txt
* 13 知识图谱/
* 01 源码【内有网盘地址】.txt
* 01 知识图谱
* 14 对话机器人/
* 01 对话机器人
* 01 源码【内有网盘地址】.txt
