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)
