这门课解决什么工作场景
很多做运营、产品或业务分析的人，手里攥着大量用户反馈、客服聊天记录、评价文本，却只会用 Excel 做简单的关键词筛选。这门课解决的正是这种"看着数据金矿却挖不动"的窘境。它聚焦在用 Python 处理非结构化文本：把一段段自然语言转成机器能算的向量，再做分类、聚类或情感倾向判断。学完之后，你面对几万条售后留言，不再只能人工逐条翻，而是能跑一遍脚本，把抱怨集中在哪些功能点、正向评价高频词是什么，快速沉淀成一份给老板看的结论。
适合什么基础、建议怎么用资料
资料定位是"有 Python 语法基础但没碰过 NLP"的人。如果你连写 for 循环都吃力，建议先补到能独立用 pandas 读 CSV 再来。课程前段花了不少篇幅讲 Anaconda 配置和 Jupyter 操作，这部分对转行过来、环境总报错的人挺友好，但已经搭好环境的可以直接跳。建议先看"文本挖掘概述"那几节，把分词、词袋、分布式表示这几个概念在脑子里过一遍，再回到代码课件里跟着敲。资料包里附了案例数据和文档，正确用法是：先看一遍视频理解思路，关掉视频用自己的数据跑一遍，跑不通再回去查对应章节，别当成连续剧从头看到尾。
学完能独立做什么
坦白说，学完这门课不会让你立刻成为算法工程师，但足以独立完成几件具体的活：第一，拿一批中文语料完成清洗、分词、去停用词，输出词频表和词云；第二，用词袋或 TF-IDF 把文本向量化，接一个朴素贝叶斯或逻辑回归做情感分类，判断新评论是正还是负；第三，对大量短文本做主题聚类，看出用户在聊哪几个方向。课程里也提到用 AI 辅助文本挖掘，这块可以理解成把大模型当作特征提取或标注工具，而不是替代整个流程。核心判断是：这门课的价值不在教你调多深的模型，而在让你把"原始文本到业务结论"这条链路自己走通一遍，以后遇到类似的文本数据，心里有底知道该从哪一步开始动手。
从基本的分词、词袋模型、分布式表示等概念开始，多面深入学习文本挖掘技术的各个方面。
课程目录
* 01 文本挖掘概述/
* 01 什么是文本挖掘.mp4 08:57
* 02 文本挖掘的基本流程和任务.mp4 08:19
* 03 文本挖掘的基本思路.mp4 06:52
* 04 语料数据化时需要考虑的工作.mp4 06:49
* 05 AI助力文本挖掘（上）.mp4 12:39
* 06 AI助力文本挖掘（下）.mp4 09:16
* 07 本课程代码课件及数据下载
* 08 本课程案例数据及文档下载.mp4 00:10
* 02 磨刀不误砍柴工/
* 01 Python常用IDE简介.mp4 11:21
* 02 Anaconda的安装与配置.mp4 16:23
* 03 Jupyter Notebook的基本操作.mp4 11:58
* 04 NLTK的安装与配置.mp4 06:06
* 05 什么是语料库.mp4 13:43
* 06 准备《射雕》语料库.mp4 14:46
* 03 分词/
* 01 分词原理简介.mp4 08:02
* 02 结巴分词的基本用法.mp4 09:08
* 03 使用自定义词典和搜狗细胞词库.mp4 09:55
* 04 去除停用词.mp4 11:07
* 05 词性标注及其他.mp4 06:30
* 04 词云展示/
* 01 词频统计.mp4 08:25
* 02 词云概述.mp4 05:03
* 03 wordcloud包的安装.mp4 08:10
* 04 绘制词云.mp4 13:13
* 05 设置词云背景模板.mp4 09:35
* 06 修改词云颜色.mp4 10:35
* 05 文本信息的向量化/
* 01 词袋模型.mp4 07:33
* 02 词袋模型的gensim实现.mp4 10:55
* 03 用Pandas生成文档词条矩阵.mp4 11:16
* 04 用sklearns生成文档-词条矩阵.mp4 11:41
* 05 从词袋模型到N-gram模型.mp4 06:50
* 06 文本信息的分布式表示.mp4 09:51
* 07 共现矩阵.mp4 05:56
* 08 NNLM模型的突破.mp4 05:19
* 09 word2vec一出，满座皆惊.mp4 15:17
* 06 关键词提取/
* 01 关键词提取的基本思路.mp4 06:43
* 02 TF-IDF 算法.mp4 05:53
* 03 TF-IDF算法的jieba实现.mp4 11:09
* 04 TF-IDF算法的sklearn实现.mp4 05:39
* 05 TF-IDF算法的gensim实现.mp4 05:35
* 06 TextRank算法.mp4 08:16
* 07 抽取文档主题/
* 01 主题模型概述.mp4 13:02
* 02 主题模型的sklearn实现.mp4 12:18
* 03 主题模型的gensim实现.mp4 15:57
* 04 主题模型结果的可视化.mp4 17:46
* 08 文档相似度/
* 01 基本概念.mp4 07:38
* 02 词条相似度：word2vec训练.mp4 10:06
* 03 词条相似度：word2vec应用.mp4 09:24
* 04 文档相似度的词袋模型实现.mp4 07:52
* 05 doc2vec.mp4 09:55
* 06 文档聚类.mp4 09:05
* 09 文本分类/
* 01 文本分类概述.mp4 11:07
* 02 朴素贝叶斯算法.mp4 07:11
* 03 算法的sklearn实现.mp4 10:27
* 04 算法的NLTK实现.mp4 06:44
* 10 情感分析/
* 01 情感分析概述.mp4 17:56
* 02 情感分析的词袋模型实现.mp4 07:29
* 03 情感分析的分布式表达实现.mp4 10:13
* 11 自动摘要/
* 01 自动摘要的基本原理.mp4 13:10
* 02 自动摘要的效果评价.mp4 09:03
* 03 自动摘要的python实现.mp4 12:50
* 12 文本自动写作/
* 01 RNN的基本原理.mp4 13:54
* 02 LSTM的基本原理.mp4 12:59
* 03 Keras+TensorFlow组合的优势.mp4 05:32
* 04 安装Keras+TensorFlow组合.mp4 05:46
* 05 案例1：数据准备.mp4 13:55
* 06 案例1：模型拟合.mp4 11:21
* 07 案例2：数据准备.mp4 13:38
* 08 案例2：模型拟合.mp4 09:46
* 13 结课测试/
* 01 结课测试
