機器學習：Python 中的自然語言處理 NLP (V2)

Contents

NLP：在 Python 中使用馬可夫( Markov )模型、NLTK、人工智慧、深度學習、機器學習和資料科學

從這 22 .5 小時的課程，你會學到

如何使用 CountVectorizer、TF-IDF、word2vec 和 GloVe 將文本( text )轉換為向量( vectors )
如何實現一個文件檢索系統/搜索引擎/相似度搜索/向量相似度
機率模型、語言模型和馬可夫模型（Transformers、BERT 和 GPT-3 的先決條件）
如何使用遺傳演算法和語言建模實現密碼解密( cipher decription )演算法
如何實現垃圾郵件檢測
如何實施情緒分析
如何實現文章微調器( article spinner )
如何實現文本摘要
如何實現潛在語義索引
如何使用 LDA、NMF 和 SVD 實現主題建模
機器學習：樸素貝葉斯 Naive Bayes、邏輯迴歸、PCA、SVD、LDA ( Latent Dirichlet Allocation，隱含 Dirichlet 配置模型 )
深度學習：ANNs、CNNs、RNNs、LSTM、GRU – BERT 和 GPT-3 更重要的先決條件
擁抱臉變形（僅限 VIP）
如何在 NLP 中使用 Python、Scikit-Learn、Tensorflow 等
文本預處理、標記化( tokenization )、停止字彙( stopwords )、詞形還原( lemmatization ) 和詞幹提取( stemming )
詞性 (POS，Parts-Of-Speech ) 標記和命名實體識別 ( NER，Named Entity Recognition )

要求

安裝 Python，它是免費的！
良好的 Python 程式設計技能
可選：如果你想了解數學部分，線性代數和機率會很有幫助

課程說明

你好朋友！

歡迎來到機器學習：Python 中的自然語言處理（第 2 版）。

這是一個龐大的 4 合 1 課程，涵蓋：

1）向量模型和文本預處理方法

2）機率模型和馬可夫模型

3）機器學習方法

4）深度學習和神經網路方法

在涵蓋向量模型和文本預處理方法的第 1 部分中，你將了解為什麼向量在資料科學和人工智慧中如此重要。你將了解將文本轉換為向量的各種技術，例如 CountVectorizer 和 TF-IDF，並且你將學習諸如 word2vec 和 GloVe 等神經嵌入方法的基礎知識。

然後，你將把學到的知識應用到各種任務中，例如：

文本分類
文檔檢索/搜索引擎
文本摘要

在此過程中，你還將學習重要的文本預處理步驟，例如標記化( tokenization )、詞幹提取( stemming )和詞形還原( lemmatization )。

你將被簡要介紹經典的 NLP 任務，例如詞性標記( parts-of-speech tagging )。

在涵蓋機率模型和馬可夫模型的第 2 部分中，你將了解過去 100 年來所有資料科學和機器學習中最重要的模型之一。除了 NLP 之外，它還被應用於許多領域，例如金融、生物資訊學和強化學習。

在本課程中，你將了解如何以各種方式使用此類機率模型，例如：

構建文本分類器
文章編織
文本生成（生成一首詩）

重要的是，這些方法是了解最新的 Transformer (注意力)模型（例如 BERT 和 GPT-3）如何工作的必要先決條件。具體來說，我們將了解與 BERT 和 GPT 的預訓練目標相對應的 2 個重要任務。

在涵蓋機器學習方法的第 3 部分中，你將了解更多經典的 NLP 任務，例如：

垃圾郵件檢測
情緒分析
潛在語義分析（也稱為潛在語義索引）
主題建模

本節將著重於應用而不是理論，這意味著你無需花費大部分精力學習各種 ML 演算法的細節，而是專注於如何將它們應用於上述任務。

當然，你仍然需要了解一些有關這些演算法的知識，以便了解正在發生的事情。將使用以下演算法：

樸素貝葉斯( Naive Bayes )
邏輯迴歸
主成分分析 (PCA) / 奇異值分解 (SVD)
隱含 Dirichlet 配置模型 (LDA，Latent Dirichlet Allocation)

這些不僅僅是“任何”機器學習/人工智慧演算法，而是已經成為 NLP 的主要內容，因此是任何 NLP 課程的重要組成部分。

在涵蓋深度學習方法的第 4 部分中，你將了解可用於解決 NLP 任務的現代神經網路架構。由於其強大的功能和靈活性，神經網路可用於解決課程中的上述任何任務。

你將了解：

前饋人工神經網路 (ANN，Artificial Neural Networks)
嵌入
卷積神經網絡 (CNN，Convolutional Neural Networks )
遞歸神經網絡 (RNN，Recurrent Neural Networks )

RNN 的研究將涉及 LSTM 和 GRU 等現代架構，這些架構已被 Google、Amazon、Apple、Facebook 等廣泛用於語言翻譯、語音識別和文本到語音等困難任務。

顯然，由於最新的 Transformer（例如 BERT 和 GPT-3）都是深度神經網路的例子，這部分課程是理解 Transformer 的必要前提。

感謝你的閱讀，希望很快在課程中與你見面！

目標受眾

任何想學習自然語言處理 (NLP) 的人
任何對人工智慧、機器學習、深度學習或資料科學感興趣的人
任何想要超越 Udemy 上典型的僅限初學者的課程的人

講師簡介

Lazy Programmer Team 人工智慧與機器學習工程師 ( 更多講師主講課程介紹 )

今天，我把大部分時間花在了人工智慧和機器學習工程師身上，專注於深度學習，儘管我也以資料科學家、大數據工程師和全端軟體工程師而聞名。

我獲得了計算機工程碩士學位，主修機器學習( machine learning )和模式識別( pattern recognition )。

經驗包括作為資料科學家(優化點選率和轉換率)和大數據工程師(建立資料處理管道)的線上廣告和數位媒體。我經常使用的一些大數據技術有 Hadoop、 Pig、 Hive、 MapReduce 和 Spark。

我建立了深度學習模型來預測點進率和使用者行為，以及影像和訊號處理和文字建模。

我在推薦系統方面的工作應用了強化學習和協同過濾，我們使用 A/B 測試驗證了結果。

我曾經為哥倫比亞大學、紐約大學、杭特學院( Hunter College)和新學院( The New School )的大學和研究所教授資料科學、統計學、機器學習、演演算法、微積分、計算機圖形學和物理學。

很多企業都從我的網路程式設計經驗中受益匪淺。我負責所有的後端(伺服器)、前端(HTML/JS/CSS)和操作/部署工作。我使用的一些技術有: Python、 Ruby/Rails、 PHP、 Bootstrap、 jQuery (Javascript)、 Backbone 和 Angular。對於儲存/資料庫，我使用了 MySQL、 Postgres、 Redis、 MongoDB 等等。