课程目录

• {1}–课程介绍
• #1.1#–第1章课件
• (1.1)–01_NLP简介_v1
• [1.1]–1.1_什么是自然语言处理
• [1.3]–1.3_自然语言处理的重要性
• [1.4]–1.4_自然语言处理典型任务及应用
• {2}–NLP模型基础
• #2.1#–第2章课件
• (2.1)–02_NLP模型基础_v1
• (2.2)–Word2VecTransE案例（更新）
• [2.1]–2.1_词表示
• [2.2]–2.2_分布式词表示
• [2.3]–2.3_词嵌入
• [2.7]–2.7_卷积神经网络
• [2.8]–2.8_transformer
• {3}–seq2seq与机器翻译
• (3.1)–03_机器翻译_v1
• (3.2)–seq2seq案例
• [3.2]–3.2_统计机器翻译
• [3.3]–3.3_神经机器翻译
• [3.4]–3.4_注意力机制
• {4}–预训练语言模型
• [4.1]–4.1 基于特征的预训练模型
• [4.3]–4.3 基于微调的方法
• [4.4]–4.4 BERT之后的预训练模型
• {5}–知识图谱
• #5.1#–第5章课件
• #5.2#–数据集与源码框架
• (5.1)–05_知识图谱
• [5.3]–5.3 知识表示学习的关键挑战
• {6}–序列标注与信息抽取
• #6.1#–第6章课件
• (6.1)–06_序列标注
• [6.1]–6.1_序列标注
• [6.2]–6.2_词性标注
• [6.5]–6.5_命名实体分类与实体链接
• {7}–文本分类与关系抽取
• #7.1#–第7章课件
• (7.1)–07_文本分类与关系抽取
• (7.2)–预训练模型应用实例-更新版
• [7.2]–7.2_关系抽取
• [7.3]–7.3_事件抽取
• {8}–文本匹配与信息检索
• #8.1#–第8章课件
• (8.1)–08_信息检索
• [8.1]–8.1_信息检索简介
• [8.3]–8.3_词嵌入IR模型
• [8.4]–8.4_神经IR模型
• {9}–文档分析与阅读理解
• #9.1#–第9章课件
• #9.2#–数据集与源码框架
• (9.1)–09_机器问答_v3
• (9.2)–法律智能问答案例
• [9.1]–9.1_机器问答简介
• [9.3]–9.3_开放域问答
• [9.4]–9.4_知识图谱问答
• {10}–文本生成
• #10.1#–第10章课件
• (10.1)–10_文本生成_v3
• [10.1]–10.1_文本生成简介
• [10.2]–10.2_传统文本生成方式
• [10.3]–10.3_基于神经网络的文本生成
• [10.4]–10.4_文本生成任务以及挑战
• [10.5]–10.5_当前趋势和未来
• {11}–NLP前沿介绍
• (11.2)–ChatGPT技术
• (11.3)–后ChatGPT时代
• [11.2]–对抗学习
• [11.3]–强化学习
• [11.4]–ChatGPTGPT4背后的关键技术
• [11.5]–后 ChatGPT 时代的 NLP 研究路线
• {12}–直播回放
• [12.10]–实验六布置+答疑
• [12.11]–实验五汇报、讲解+答疑
• [12.2]–实验二布置+答疑
• [12.4]–实验三布置+答疑
• [12.7]–实验三讲解+答疑
• [12.8]–实验五布置+答疑