Overview
Syllabus
- 绪论 自然语言处理概要
- 自然语言处理概要
- 第一章 语言模型
- 语言模型
- 第二章 无监督的结构化学习
- 无监督的结构化学习
- 第三章 结构化学习的一般情形
- 第一节 确定机器学习单元
- 第二节 自然语言处理中的结构化学习任务
- 第三节 退化为分类问题
- 第四节 结构分解
- 第四章 结构上的标注
- 第一节 局部马尔可夫模型与概率图模型
- 第二节 其他相关任务的标注形式化
- 第三节 隐马尔可夫模型与线性序列上的不等分解
- 第五章 表示
- 第一节 语言表示：独热
- 第二节 语言表示：特征函数
- 第三节 语言表示：通用特征模板与加权的独热
- 第六章 机器学习模型
- 第一节 机器学习模型
- 第二节 直接的模型：感知机
- 第三节 直接的模型：K-最邻近
- 第四节 损失函数：最大边界（上）
- 第五节 损失函数：最大边界（下）
- 第六节 损失函数：交叉熵（上）
- 第七节 损失函数：交叉熵（下）
- 第七章 深度学习
- 第一节 深度自然语言处理
- 第二节 词向量
- 第三节 自动学习的词向量
- 第四节 评估词向量
- 第五节 基于词向量的分类
- 第六节 神经网络
- 第七节 RNN
- 第八节 CNN
- 第九节 深度学习工具包
- 第八章 句法分析
- 第一节 句法分析简介
- 第二节 成分短语分析：上下文无关文法
- 第三节 成分短语分析：结构歧义
- 第四节 概率上下文无关文法
- 第五节 依存分析：带中心词标注的CFG
- 第六节 依存分析：树库
- 第七节 依存分析：结构
- 第八节 图表分析
- 第九节 基于图模型和转移模型的分析（上）
- 第十节 基于图模型和转移模型的分析（下）
- 第九章 语义角色标注
- 第一节 任务和数据
- 第二节 最大熵模型
- 第三节 神经模型+依存形式
- 第四节 神经模型+成分形式
- 第五节 影响性能的因素+统一建模依存和成分语义角色标注
- 第十章 语言(表示)模型和机器阅读理解
- 第一节 自然语言理解
- 第二节 语言模型
- 第三节 语言表示（上）
- 第四节 语言表示（中）
- 第五节 语言表示（下）
- 第六节 面向机器阅读理解的语言模型
Taught by
Hai Zhao
