01-第1章：自然言语与数学之美

1.1 课程简介及引荐书目

1.10 凸调集和凸函数

1.2 NLP的研讨范畴及使用

1.3 自然言语的6个重要术语

1.4 言语学的发展史 1

1.5 言语学的发展史 2

1.6 言语学的发展史 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：根据机器学习办法的自然言语处理

2.1 片面概率和客观概率

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：希望与方差

2.6 随机变量：联合概率

2.7 伯努利散布和二项式散布

2.8 多项式散布、伽玛散布和Beta散布

2.9 泊松散布、高斯散布、对数正态散布和指数散布

03-第3章：1、2章答疑

第一周答疑

04-第4章：自然言语

3.1 言语的进化：来自自然选择的社会协作

3.2 言语的进化：言语游戏与摩斯暗码

3.3 言语与智能：信息熵

3.4 言语与智能：穿插熵的界说

3.5 语义的进化

3.6 言语模型：言语概率

3.7 词袋模型

3.8 二元言语模型：CR情感剖析

05-第5章：言语模型和中文分词

4.1 三元言语模型

4.10 N-Gram模型

4.11 Optimal Path 最优途径模型

4.12 中文分词东西：Jieba

4.2 言语模型点评：穿插熵

4.3 言语模型点评：Perplexity(困惑度）

4.4 言语点评模型：Interpolation(插值法)

4.5 概率模型：垃圾邮件分类

4.6 概率模型：拼写查看

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：言语技能-词表达和Word2Vec

5.1 词表达

5.10 Word2Vec-Part 3

5.2 语义类似度

5.3 TF-IDF权重处理

5.4 One-Hot表达

5.5 神经网络根底

5.6 神经网络：反向传达 1

5.7 神经网络：反向传达 2

5.8 Word2Vec-Part 1

5.9 Word2Vec-Part 2

08-第8章：言语技能-词性

6.1 什么是词性标示（POS Tagging）

6.10 混合模型详解5：隐马尔科夫模型

6.2 词性标示的办法

6.3 词性的标示类别和标示集

6.4 规矩标示和N-Gram办法

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：言语技能-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

赢知源 资源网-付费网课 百度网盘资源，百度云盘下载，下载链接，百度云分享，资源共享免费，下载资源，

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：言语技能-文本与LDA主题模型

8.1 向量表达和潜在语义索引（LSI）

8.10 试验报告：文本语义类似度

8.11 延展试验：主题模型引进字词联系的完成

8.12 试验总结

8.2 LDA和狄利克雷散布

8.3 LDA主题模型

8.4 主题模型的深化与比照

8.5 语义间隔（Semantic Distance）

8.6 中文LDA模型：Word-base 和 Character-Base

8.7 试验报告：困惑度（Perplexity）

8.8 试验报告：文本分类准确度

8.9 中英双语料库试验

12-第12章：第四周答疑

第四周答疑

13-第13章：言语技能-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 全衔接网络及特性

11.3 Auto-Encode 自编码器

11.4 反向传达（BP）

11.5 卷积神经网络（CNN）的了解

11.6 CNN的基本原理：卷积核、权重和池化

11.7 CNN的核算进程

11.8 CNN怎么使用在自然言语处理中

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的中心思维

12.4 LSTM的分步完成详解

12.5 Encoder-Decoder 结构

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 注意力机制发生的布景回忆

13.2 注意力模型的完成原理

13.3 注意力模型的使用范畴

13.4 回忆网络（Memory Network）的组成

13.5 回忆网络的核算进程和完成办法

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的核算

14.3 Multi-Head Attention 和前向反应神经网络FFNN

14.4 方位编码（Positional Encoding）

14.5 层泛化（Lay Normalization）

14.6 Softmax Layer：穿插熵和丢失函数的核算

14.7 ACT模型（Adaptive Computation Time）

14.8 Universal Transformer 的完好完成流程

21-第21章：第七周答疑

第七周答疑

22-第22章：自然言语研讨的未来方向

15.1 自然言语研讨可行方向：常识图谱与深度学习的结合

15.2 语义联系核算与常识库

15.3 常识库推理学习：Neural Tensor Network

15.4 跨媒体信息查找：CMIR

15.5 文本图卷积网络（Text GCN）

15.6 NLP未来的探究方向