课程大纲

第一模块 NLP发展历史介绍和展望

NLP发展现状

传统NLP方法面临的挑战

Big Data和Deep Learning给NLP带来的变革和机遇

NLP的发展趋势，以及和各行各业的结合应用

第二模块NLP基础技能

一、数学理论基础

概率和信息论

监督学习、半监督学习和非监督学习

分类与回归模型

二、自然语言基础

Word vector与Word embedding

什么是分词、词性标注、依存句法分析等？如何利用开源工具包完成

什么是统计自然语言处理？

三、深度学习技术

卷积神经网络详解

递归神经网络详解

深度学习常用工具包解析

第三模块NLP与深度学习应用

一、文本检索

什么是文本检索？

语言模型以及文本表示

检索模型训练以及测试(文本匹配)

如何评价检索到的文本好坏？

PyTorch实践: 基于RNN的文本检索和图文检索模型搭建，训练以及测试

二、文本生成

什么是文本生成？

文本生成的基本模型

如何评价生成的文本？什么是生成评价指标？

PyTorch实践: 基于RNN的机器人写古诗

PyTorch实践：Image captioning/图像描述自动生成最新方法讲解与实践

三、文本分类

什么是文本分类？

基于CNN的文本分类模型

基于RNN的文本分类模型

PyTorch实践: CNN文本分类模型 VS RNN文本分类模型

四、机器翻译

什么是机器翻译？

机器翻译的统计学上的数学定义

机器翻译(seq2seq)模型

PyTorch实践: 搭建并训练基于RNN的encoder-decoder中英翻译模型

PyTorch实践: 拓展练习之--股票预测。

五、问答系统

问答系统介绍

基于检索式的传统问答系统

基于生成模型的问答系统

如何评价系统好坏？

如何生成更复杂的对话，情感和图片交互等？

PyTorch实践: 基于RNN实现一个基本的问答模型

PyTorch实践：Visual question answering结合图像信息的问答模型实践

获取方式（备注NLP工程师）