NLP近几年非常火，且发展特别快。像BERT、GPT-3、图神经网络、知识图谱等技术应运而生。

我们正处在信息爆炸的时代、面对每天铺天盖地的网络资源和论文、很多时候我们面临的问题并不是缺资源，而是找准资源并高效学习。但很多时候你会发现，花费大量的时间在零零散散的内容上，但最后发现效率极低，浪费了很多宝贵的时间。为了迎合大家学习的需求，我们这次重磅推出了《自然语言处理终身升级版》。

课程覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。

重点：课程会不断更新，比如一篇新的有趣的论文出现在arxiv，我们会在1个月之内提供技术的讲解和实战。我相信这个课程将是你在NLP领域中的终身伴侣。

01 课程大纲

第一部分：机器学习基础篇

第一章：自然语言处理概述

• 自然语言处理的现状与前景
• 自然语言处理应用
• 自然语言处理经典任务

 

第二章：数据结构与算法基础

• 时间复杂度、空间复杂度
• 动态规划
• 贪心算法
• 各种排序算法

第三章：分类与逻辑回归

• 逻辑回归
• 最大似然估计
• 优化与梯度下降法
• 随机梯度下降法

第四章：模型泛化与调参

• 理解过拟合、防止过拟合
• L1与L2正则
• 交叉验证
• 正则与MAP估计

第二部分：文本处理篇

第五章：文本预处理与表示

• 各类分词算法
• 词的标准化
• 拼写纠错、停用词
• 独热编码表示
• tf-idf与相似度
• 分布式表示与词向量
• 词向量可视化与评估

第六章：词向量技术

• 独热编码的优缺点
• 分布式表示的优点
• 静态词向量与动态词向量
• SkipGram与CBOW
• SkipGram详解
• Negative  Sampling

第七章：语言模型

• 语言模型的作用
• 马尔科夫假设
• UniGram, BiGram, NGram模型
• 语言模型的评估
• 语言模型的平滑技术

第三部分：序列模型篇

第八章：隐马尔科夫模型

• HMM的应用
• HMM的Inference
• 维特比算法
• 前向、后向算法
• HMM的参数估计详解

第九章：线性条件随机场

• 有向图与无向图
• 生成模型与判别模型
• 从HMM与MEMM
• MEMM中的标签偏置
• Log-Linear模型介绍
• 从Log-Linear到LinearCRF
• LinearCRF的参数估计

 

第四部分：深度学习与预训练篇

第十章：深度学习基础

• 理解神经网络
• 各种常见的激活函数
• 反向传播算法
• 浅层模型与深度模型对比
• 深度学习中的层次表示
• 深度学习中的过拟合

第十一章：RNN与LSTM

• 从HMM到RNN模型
• RNN中的梯度问题
• 梯度消失与LSTM
• LSTM到GRU
• 双向LSTM
• 双向深度LSTM

第十二章：Seq2Seq模型与注意力机制

• Seq2Seq模型
• Greedy Decoding
• Beam Search
• 长依赖所存在的问题
• 注意力机制的实现

第十三章：动态词向量与ELMo技术

• 基于上下文的词向量技术
• 图像识别中的层次表示
• 文本领域中的层次表示
• ELMo模型
• ELMo的预训练与测试
• ELMo的优缺点

第十四章：自注意力机制与Transformer

• LSTM模型的缺点
• Transformer概述
• 理解自注意力机制
• 位置信息的编码
• 理解Encoder和Decoder区别
• 理解Transformer的训练与预测
• Transformer的缺点

第十五章：BERT与ALBERT

• 自编码介绍
• Transformer Encoder
• Masked语言模型
• BERT模型
• BERT的不同训练方式
• ALBERT 

第十六章：BERT的其他变种

• RoBERTa模型
• SpanBERT模型
• FinBERT模型
• 引入先验知识
• K-BERT
• KG-BERT

第十七章：GPT与XLNet

• Transformer Encoder回顾
• GPT-1, GPT-2,  GPT-3
• ELMo的缺点
• 语言模型下同时考虑上下文
• Permutation LM
• 双流自注意力机制

第五部分：信息抽取与知识图谱篇

 

第十八章：命名识别与实体消歧

• 信息抽取的应用和关键技术
• 命名实体识别
• NER识别常用技术
• 实体统一技术
• 实体消歧技术
• 指代消解

第十九章：关系抽取

• 关系抽取的应用
• 基于规则的方法
• 基于监督学习的方法
• Bootstrap方法
• Distant Supervision方法

第二十章：句法分析

• 句法分析的应用
• CFG介绍
• 从CFG到PCFG
• 评估语法树
• 寻找最好的语法树
• CKY算法

第二十一章：依存文法分析

• 从语法分析到依存文法分析
• 依存文法分析的应用
• 基于图算法的依存文法分析
• 基于Transition-based的依存文法分析
• 依存文法的应用案例

第二十二章：知识图谱

• 知识图谱的重要性
• 知识图谱中的实体与关系
• 非结构化数据与构造知识图谱
• 知识图谱设计
• 图算法的应用

第六部分：模型压缩与图神经网络篇

第二十三章：模型的压缩

• 模型压缩重要性
• 常见的模型压缩总览
• 基于矩阵分解的压缩技术
• 基于蒸馏的压缩技术
• 基于贝叶斯模型的压缩技术
• 模型的量化

第二十四章：基于图的学习

• 图的表示
• 图与知识图谱
• 关于图的常见算法
• Deepwalk和Node2vec
• TransE图嵌入算法
• DSNE图嵌入算法

第二十五章：图神经网络

• 卷积神经网络回顾
• 在图中设计卷积操作
• 图中的信息传递
• 图卷积神经网络
• 图卷积神经网络的经典应用

第二十六章：GraphSage与GAT

• 从GCN到GraphSAge
• 注意力机制回归
• GAT模型详解
• GAT与GCN比较
• 对于异构数据的处理

第二十七章：图神经网络的其他应用

• Node Classification
• Graph Classification
• Link Prediction
• 社区挖掘
• 推荐系统
• 图神经网络的未来发展

02 课程中的部分案例

1. 实现一个拼写纠错器

2. 从零实现Word2Vec词向量

3. 利用SkipGram做推荐

4. 从零实现HMM模型

5. 基于Linear-CRF的词性分类器实现

6. 从零实现深度学习反向传播算法

7. 实现AI程序帮助写程序

8. 实现AI程序帮助写文章

9. 基于Transformer的机器翻译

10. 基于KG-BERT的知识图谱学习

11. 基于知识图谱的风控系统

12. 基于知识图谱的个性化教学

13. 利用蒸馏算法压缩Transformer

14. 利用GCN实现社交推荐

15. 基于GAT的虚假新闻检测

（剩下20+个案例被折叠，完整请咨询...）

03 课程中的部分项目作业

        

1. 豆瓣电影评分预测

    涉及到的知识点：

• 中文分词技术
• 独热编码、tf-idf
• 分布式表示与Word2Vec
• BERT向量、句子向量

2. 智能客服问答系统

    涉及到的知识点：

• 问答系统搭建流程
• 文本的向量化表示
• FastText
• 倒排表
• 问答系统中的召回、排序

3. 基于Linear-CRF的医疗实体识别

    涉及到的知识点：

• 命名实体识别
• 特征工程
• 评估标准
• 过拟合

4. 基于闲聊的对话系统搭建

    涉及到的知识点：

• 常见的对话系统技术
• 闲聊型对话系统框架
• 数据的处理技术
• BERT的使用
• Transformer的使用

5. 搭建基于医疗知识图谱的问答系统

    涉及到的知识点：

• 医疗专业词汇的使用
• 获取问句的意图
• 问句的解释、提取关键实体
• 转化为查询语句

6. 搭建基于医疗知识图谱的问答系统

    涉及到的知识点：

• 文本摘要生成介绍
• 关键词提取技术
• 图神经网络的摘要生成
• 基于生成式的摘要提取技术
• 文本摘要质量的评估

04 课程中带读的部分论文

主题	论文名称
机器学习	XGBoost: A Scalable Tree Boosting System
机器学习	Regularization and Variable Selection via the Elastic Net
词向量	Evaluation methods for unsupervised word embeddings
词向量	Evaluation methods for unsupervised word embeddings
词向量	GloVe: Global Vectors for Word Representation
词向量	Deep Contexualized Word Representations
词向量	Attention is All You Need
词向量	BERT: Pretraining of Deep Bidirectional Transformers for Language Understanding
词向量	XLNet: Generalized Autoregressive Pretraining for Language Understanding
词向量	KG-BERT: BERT for Knowledge Graph Completion
词向量	Language Models are Few-shot Learners
图学习	Semi-supervised Classification with Graph Convolutional Networks
图学习	Graph Attention Networks
图学习	GraphSAGE: Inductive Representation Learning on Large Graphs
图学习	Node2Vec: Scalable Feature Learning for Networks
被折叠	其他数十篇文章......

05 课程适合谁？

大学生

• 理工科相关专业的本科/硕士/博士生，毕业后想从事NLP工作的人
• 希望能够深入AI领域，为科研或者出国做准备
• 希望系统性学习NLP领域的知识

在职人士

• 目前从事IT相关的工作，今后想做跟NLP相关的项目
• 目前从事AI相关的工作，希望与时俱进，加深对技术的理解
• 希望能够及时掌握前沿技术