本套课程由小象学院出品：《自然语言处理》第二期，官网，由秦曾昌老师主讲。语言是人类区别其他动物的本质特性，只有人类能够用语言表达自己的想法。用自然语言与计算机进行通信，这是人们长期以来所追求的，那如何才能将它们联系起来呢？自然语言如何进行处理呢？学习本套课程你将收获到语言模型、语言技术、神经语言模型、循环神经网络、机器翻译等，更多技能需要自己通过学习才能解锁喔，本套课程共22个章节， 包含课程视频与源码资料，课程文件大小总计1.94G

如果对人工智能和AI比较感兴趣的同学，也可以学习一下

AI人工智能高级实战工程师就业课程（源码+视频）

课程目录

• C-129：《自然语言处理》第二期
• 01-第1章：自然语言与数学之美
• 1.1 课程简介及推荐书目
• 1.10 凸集合和凸函数
• 1.2 NLP的研究领域及应用
• 1.3 自然语言的6个重要术语
• 1.4 语言学的发展史 1
• 1.5 语言学的发展史 2
• 1.6 语言学的发展史 3
• 1.7 函数
• 1.8 向量与向量的模
• 1.9 矩阵和矩阵运算
• 02-第2章：基于机器学习方法的自然语言处理
• 2.1 主观概率和客观概率
• 2.10 辛普森悖论和贝叶斯概率解题实例
• 2.2 概率模型与条件概率
• 2.3 贝叶斯原理与推理
• 2.4 随机变量：二项式概率
• 2.5 随机变量：期望与方差
• 2.6 随机变量：联合概率
• 2.7 伯努利分布和二项式分布
• 2.8 多项式分布、伽玛分布和Beta分布
• 2.9 泊松分布、高斯分布、对数正态分布和指数分布
• 03-第3章：1、2章答疑
• 第一周答疑
• 04-第4章：自然语言
• 3.1 语言的进化：来自自然选择的社会协作
• 3.2 语言的进化：语言游戏与摩斯密码
• 3.3 语言与智能：信息熵
• 3.4 语言与智能：交叉熵的定义
• 3.5 语义的进化
• 3.6 语言模型：语言概率
• 3.7 词袋模型
• 3.8 二元语言模型：CR情感分析
• 05-第5章：语言模型和中文分词
• 4.1 三元语言模型
• 4.10 N-Gram模型
• 4.11 Optimal Path 最优路径模型
• 4.12 中文分词工具：Jieba
• 4.2 语言模型评价：交叉熵
• 4.3 语言模型评价：Perplexity(困惑度）
• 4.4 语言评价模型：Interpolation(插值法)
• 4.5 概率模型：垃圾邮件分类
• 4.6 概率模型：拼写检查
• 4.7 语音模型和机器翻译模型
• 4.8 中文构词法
• 4.9 最大化匹配
• 06-第6章：第二周答疑
• 第二周答疑
• 07-第7章：语言技术-词表达和Word2Vec
• 5.1 词表达
• 5.10 Word2Vec-Part 3
• 5.2 语义相似度
• 5.3 TF-IDF权重处理
• 5.4 One-Hot表达
• 5.5 神经网络基础
• 5.6 神经网络：反向传播 1
• 5.7 神经网络：反向传播 2
• 5.8 Word2Vec-Part 1
• 5.9 Word2Vec-Part 2
• 08-第8章：语言技术-词性
• 6.1 什么是词性标注（POS Tagging）
• 6.10 混合模型详解5：隐马尔科夫模型
• 6.2 词性标注的方法
• 6.3 词性的标注类别和标注集
• 6.4 规则标注和N-Gram方法
• 6.5 从混合模型到HMM
• 6.6 混合模型详解1：EM模型
• 6.7 混合模型详解2：EM模型
• 6.8 混合模型详解3：高斯混合模型
• 6.9 混合模型详解4：隐马尔可夫模型
• 09-第9章：第三周答疑
• 第三周答疑
• 10-第10章：语言技术-概率图模型
• 7.1 概率图模型：贝叶斯网络（有向无环图）
• 7.2 概率图模型：分层图模型
• 7.3 概率图模型：隐马尔科夫链
• 7.4 隐马尔可夫模型的推导 1
• 7.5 隐马尔科夫模型的推导 2
• 7.6 隐马尔科夫模型的推导 3
• 7.7 隐马尔科夫模型的推导 4
• 7.8 PLSA主题模型1
• 7.9 PLSA主题模型 2
• 11-第11章：语言技术-文本与LDA主题模型
• 8.1 向量表达和潜在语义索引（LSI）
• 8.10 实验报告：文本语义相似度
• 8.11 延展实验：主题模型引入字词关系的实现
• 8.12 实验总结
• 8.2 LDA和狄利克雷分布
• 8.3 LDA主题模型
• 8.4 主题模型的深化与对比
• 8.5 语义距离（Semantic Distance）
• 8.6 中文LDA模型：Word-base 和 Character-Base
• 8.7 实验报告：困惑度（Perplexity）
• 8.8 实验报告：文本分类准确度
• 8.9 中英双语料库实验
• 12-第12章：第四周答疑
• 第四周答疑
• 13-第13章：语言技术-句法
• 9.1 上下文无关句法（CFG）-Part 1
• 9.2 上下文无关句法（CFG）-Part 2
• 9.3 概率上下文无关句法（PCFG）- Part 1
• 9.4 概率上下文无关句法（PCFG）-Part 2
• 9.5 概率上下文无关句法（PCGF）-Part 3
• 14-第14章：机器翻译
• 10.1 机器翻译（Machine Translation）-Part 1
• 10.2 机器翻译（Machine Translation）-Part 2
• 10.3 机器翻译（Machine Translation）-Part 3
• 10.4 机器翻译（Machine Translation）-Part 4
• 10.5 机器翻译（Machine Translation）-Part 5
• 10.6 机器翻译（Machine Translation）-Part 6
• 15-第15章：第五周答疑
• 第五周答疑
• 16-第16章：卷积神经网络CNN
• 11.1 神经元
• 11.2 全连接网络及特性
• 11.3 Auto-Encode 自编码器
• 11.4 反向传播（BP）
• 11.5 卷积神经网络（CNN）的理解
• 11.6 CNN的基本原理：卷积核、权重和池化
• 11.7 CNN的计算过程
• 11.8 CNN如何应用在自然语言处理中
• 17-第17章：循环神经网络RNN
• 12.1 循环神经网络的基本原理
• 12.2 Elman Network和Jordan Networ
• 12.3 LSTM的核心思想
• 12.4 LSTM的分步实现详解
• 12.5 Encoder-Decoder 框架
• 12.6 Seq2Seq 模型
• 12.7 注意力机制（Attention Mechanism）
• 18-第18章：第六周答疑
• 第六周答疑
• 19-第19章：注意力机制
• 13.1 注意力机制产生的背景回顾
• 13.2 注意力模型的实现原理
• 13.3 注意力模型的应用领域
• 13.4 记忆网络（Memory Network）的组成
• 13.5 记忆网络的计算过程和实现方法
• 13.6 匹配函数（Match Function）
• 13.7 注意力模型的延展1：Neural Programmer
• 13.8 注意力模型的延展2：神经图灵机
• 20-第20章：广义模型（Universal Transformer)
• 14.1 UT的典型结构：Stack of Encoder and Decoder
• 14.2 Self-Attention的计算
• 14.3 Multi-Head Attention 和前向反馈神经网络FFNN
• 14.4 位置编码（Positional Encoding）
• 14.5 层泛化（Lay Normalization）
• 14.6 Softmax Layer：交叉熵和损失函数的计算
• 14.7 ACT模型（Adaptive Computation Time）
• 14.8 Universal Transformer 的完整实现流程
• 21-第21章：第七周答疑
• 第七周答疑
• 22-第22章：自然语言研究的未来方向
• 15.1 自然语言研究可行方向：知识图谱与深度学习的结合
• 15.2 语义关系计算与知识库
• 15.3 知识库推理学习：Neural Tensor Network
• 15.4 跨媒体信息搜索：CMIR
• 15.5 文本图卷积网络（Text GCN）
• 15.6 NLP未来的探索方向
• 资料