自然語言處理專業課程

Contents

進入 NLP 空間。通過四門實踐課程，掌握最尖端的 NLP 技術

關於此專業課程

自然語言處理( NLP，Natural Language Processing )使用演算法來理解和操作人類語言。這項技術是機器學習應用最廣泛的領域之一。隨著人工智慧( AI )的不斷發展，對專業人才的需求也在不斷增加，這些專業人才需要擅長建立分析語句和語言的模型，揭示語境模式，並從文字和音訊中產生洞察力。

在這個專業課結束時，你將準備好設計執行問答和情感分析的 NLP 應用程式，建立翻譯語言和摘要文字的工具，甚至建構聊天機器人。這些和其他 NLP 應用程式將處於即將到來的 AI 驅動的未來轉換的第一線。

這個專業課是由兩個 NLP、機器學習和深度學習的專家設計和教授的。Younes Bensouda Mourri 是 Stanford University 的人工智慧講師，他也幫助建立了深度學習專業。Ukasz Kaiser 是 Google Brain 的研究員，也是 Tensorflow、Tensor2Tensor 和 Trax 程式庫，以及 Transformer 論文的合著者。

到官方網站了解本課程與上課

Natural language process ：簡稱 NLP，自然語言處理

應用的學習專案

這個專業課將提供你最先進的深度學習技術，這些技術是建立最尖端的 NLP 系統所必需的:

邏輯迴歸( logistic regression )、單純貝式分類( naïve Bayes )和單詞向量( word vectors )來實現情感分析，完整的類比和翻譯詞彙，並對近似最近鄰( approximate nearest neighbors )使用方位敏感的雜湊法( locality sensitive hashing )。
使用動態程式設計、隱藏馬爾可夫模型和單詞嵌入來自動糾正拼寫錯誤的單詞、自動完成部分句子，並識別單詞的詞類標籤。
使用 TensorFlow 和 Trax 中的稠密和遞迴神經網路( RNN，Recurrent Neural Networks )、LSTM、GRU 和孿生網路( Siamese network )執行進階的情感分析、文字生成、命名實體識別和識別出重複問題。
使用編碼器-解碼器、因果關係和自我注意來執行完整句子的高階機器翻譯、文字摘要、問答和建立聊天機器人。所涉及的模型包括 T5、 BERT、Transformer (蛻變器)、Reformer ( 重整器 ) 等等！

你將學到的內容有

使用邏輯迴歸( logistic regression )、單純貝式分類( naïve Bayes )和單詞向量( word vectors )來實現情感分析，完整類比並翻譯單詞
使用動態程式設計、隱藏 Markov 模型和單詞嵌入( word embeddings )來實現自動更正，自動完成並識別單詞的詞類標籤
在 TensorFlow ＆ Trax 中使用遞迴神經網路( RNN，Recurrent Neural Networks )、LSTM、GRU 和孿生網路( Siamese network )進行情感分析、文字生成和命名實體識別
使用編碼器-解碼器，因果關係和自我注意來機器翻譯完整的句子、摘要文字、建構聊天機器人和問答

你將獲得的技能：

情感分析( Sentiment Analysis )	孿生網路( Siamese Networks )	隱藏馬可夫模型( Hidden Markov Model )
Transformers	注意力模型( Attention Models )	機器翻譯

字幕

英文

製作方

deeplearning.ai

DeepLearning.AI 由 Ng 創辦，是一家教育技術公司，致力於發展全球 AI 人才社區。 DeepLearning.AI 以專家為主導的教育經驗為 AI 從業人員和非技術專業人士提供了必要的工具，使他們從基礎知識一直發展到高級應用程式，使他們能夠建構 AI 驅動的未來。

第 1 門課程基於分類和向量空間的自然語言處理

在 deeplearning.ai 提供的自然語言處理專業課程1中，你將:

使用邏輯迴歸( logistic regression )、單純貝式分類( naïve Bayes )和單詞向量( word vectors )來實現情感分析
使用向量空間模型來發現單詞之間的關係，使用 PCA 來降低向量空間的維數並視覺化這些關係
使用預先計算的單詞嵌入和區域性敏感的雜湊演算法通過近似 k 最近鄰搜尋( k-nearest neighbor search )編寫一個簡單的英法翻譯演算法。

請確保你熟悉 Python 程式設計，並且掌握了機器學習、矩陣乘法和條件機率的基本知識。

完成本專業課時，你將設計出能夠執行問答和情緒分析的 NLP 應用程式，建立翻譯語言和摘要文字的工具，甚至還建構了一個聊天機器人！

這個專業課是由兩位 NLP、機器學習和深度學習的專家設計和教授的。Younes Bensouda Mourri 是 Stanford University 的人工智慧講師，他也幫助建立了深度學習專業課。Ukasz Kaiser 是 Google Brain 的研究科學家，Tensorflow、Tensor2Tensor 和 Trax 程式庫，以及 Transformer 論文的合著者。

第 2 門課程基於機率模型的自然語言處理

“管理 G Suite “是 G Suite 管理專業的第二門課程。

在 deeplearning.ai 提供的自然語言處理專業課程 2 中，你將:

使用最小編輯距離和動態程式設計建立一個簡單的自動校正演算法;
使用維特比( Viterbi )演算法為詞類( POS，part-of-speech )做標籤，這對計算語言學來說很重要
使用 N-gram 語言模型編寫一個更好的自動完成句子( auto-complete )的演算法
運用神經網路來計算詞的嵌入編寫自己的 Word2Vec 模型，用到連續的詞袋( bag-of-words )模型。

請確保你熟悉 Python 程式設計，並且掌握了機器學習、矩陣乘法和條件機率的基本知識。

完成本專業課時，你將設計出能夠執行問答和情緒分析的 NLP 應用程式，建立翻譯語言和摘要文字的工具，甚至還建構了一個聊天機器人！

第 3 門課程基於序列模型的自然語言處理

在 deeplearning.ai 提供的自然語言處理專業課程 3 中，你將:

用 GLoVe 單詞嵌入訓練一個神經網路來對 tweets 進行情緒分析
使用門控迴歸單元(GRU，Gated Recurrent Unit )語言模型生成合成的莎士比亞文字
使用帶線性層次的 LSTMs 訓練一個遞迴神經網路( RNN，recurrent neural network )執行命名實體識別(NER，named entity recognition )
使用所謂的 ‘Siamese’ LSTM 模型來比較語料庫中的問題，並識別那些措辭不同但含義相同的問題。

請確保您已經完成了課程 2 並且熟悉 TensorFlow 的基礎知識。如果你想額外準備，你可以選修深度學習專業課的課程 1: 神經網路和深度學習。

完成本專業課時，你將設計出能夠執行問答和情緒分析的 NLP 應用程式，建立翻譯語言和摘要文字的工具，甚至還建構了一個聊天機器人！

第 4 門課程基於注意力模型的自然語言處理

在 deeplearning.ai 提供的自然語言處理專業課程 4 中，你將:

使用編碼器-解碼器注意力模型( encoder-decoder attention model )將完整的英語句子翻譯成德語
建立一個 Transformer 模型來摘要文字
使用 T5和 BERT 模型來執行 Q & A
使用重組器模型( Reformer model )來建立一個聊天機器人

本課程適合希望對 NLP 模型如何工作以及如何應用有更深入的理解的機器學習或人工智慧的學生以及軟體工程師。

完成本專業課時，你將設計出能夠執行問答和情緒分析的 NLP 應用程式，建立翻譯語言和摘要文字的工具，甚至還建構了一個聊天機器人！

自然語言處理專業課程

關於此專業課程