          自然語(yǔ)言處理培訓(xùn)

一：概率論和貝葉斯方法

1.1 概率和分布
1.2 條件概率
1.3 貝葉斯法則
1.4 獨(dú)立性假設(shè)和樸素貝葉斯方法
1.5 樸素貝葉斯的不足

如何自動(dòng)發(fā)現(xiàn)新詞

二：機(jī)器學(xué)習(xí)典型方法

2.1 線性回歸
2.2 梯度下降法和牛頓法
2.3 支持向量機(jī)
2.4 無(wú)監(jiān)督學(xué)習(xí)

2.5 EM算法直觀體驗(yàn)

2.6 馬爾科夫理論

實(shí)現(xiàn)一個(gè)信用評(píng)級(jí)模型

三：自然語(yǔ)言理解的基礎(chǔ)

3.1 分詞
3.2 詞性和命名實(shí)體標(biāo)注
3.3 句法分析
3.4 語(yǔ)言模型

分別用普通語(yǔ)料和金融領(lǐng)域語(yǔ)料實(shí)現(xiàn)語(yǔ)言模型，體會(huì)其效果區(qū)別

四：自然語(yǔ)言處理經(jīng)典任務(wù)

4.1 詞的共現(xiàn)和相關(guān)
4.2 文本分類和聚類
4.3 信息檢索
4.4 意圖識(shí)別
4.5 情感分析

4.6 自動(dòng)問(wèn)答

實(shí)現(xiàn)一個(gè)酒店評(píng)論分類模型

五：人工智能的重要基礎(chǔ)：神經(jīng)網(wǎng)絡(luò)

5.1 神經(jīng)網(wǎng)絡(luò)能做什么

5.2神經(jīng)網(wǎng)絡(luò)有什么不同
5.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
5.4 反向傳播的原理和問(wèn)題
5.5 CNN和RNN
5.6 深度學(xué)習(xí)的一些有趣任務(wù)（詞向量、語(yǔ)言模型等）

第六課：深度學(xué)習(xí)實(shí)踐體驗(yàn)

6.1 python介紹
6.2 tensorflow介紹

6.3 大數(shù)據(jù)與深度學(xué)習(xí)
練習(xí)：

閱讀ANN實(shí)現(xiàn)手寫識(shí)別模型的代碼，并嘗試增加一層網(wǎng)絡(luò)實(shí)驗(yàn)效果