AI深度学习顶级实战自然语言处理课程视频教程
本课程将首先介绍自然语言处理的发展现状与挑战，同时，讲解深度学习和自然语言处理的结合应用。除了基本算法外，本课程还配备实践环节，从一些典型的方向：机器翻译、文本分类、问答等。最后，将和大家讨论NLP的行业展望以及和各行各业的结合，比如医疗行业等。
课程章节
章节1：NLP和深度学习发展概况和最新动态
课时1：NLP历史现在及为什么需要学习NLP技术
课时2：NLP实现机器学习，聊天机器人，情感分析和语义搜索
章节2：NLP与PYTHON编程
课时3：Python环境搭建及开发工具安装
课时4：NLP常用PYTHON开发包的介绍
课时5：Jieba安装、介绍及使用
课时6：StanfordNLP在Python环境中安装、介绍及使用
课时7：Hanlp在Python环境中安装、介绍及使用
章节3：快速掌握NLP技术之分词、词性标注和关键字提取
课时8：分词、词性标注及命名实体识别介绍及应用
课时9：准确分词之加载自定义字典分词01
课时10：准确分词之加载自定义字典分词02
课时11：准确分词之动态调整词频和字典
课时12：词性标注代码实现及信息提取
课时13：人名、地名、机构名等关键命名实体识别
课时14：TextRank算法原理介绍
课时15：基于TextRank关键词提取
章节4：句法与文法
课时16：依存句法与语义依存分析
课时17：依存句法树解析（子树遍历，递归搜索，叶子节点提取等）
课时18：名词短语块挖掘
课时19：自定义语法与CFG
章节5：N-GRAM文本挖掘
课时20：N-GRAM算法介绍
课时21：N-GRAM生成词语对
课时22：TF-IDF算法介绍应用
课时23：基于TF-IDF挖掘符合语言规范的N-GRAM
章节6：表示学习与关系嵌入
课时24：语言模型
课时25：词向量
课时26：深入理解Word2vec算法层次sofmax
课时27：深入理解Word2vec算法负采样
课时28：6.4基于Word2vec技术的词向量、字向量训练
章节7：深度学习之卷积神经网络
课时29：BP神经网络
课时30：彻底理解深度学习指卷积神经网络
课时31：CNN文本分类
课时32：CNN文本分类算法模块
课时33：CNN文本分类模型详解数据预处理
课时34：CNN文本分类模型测试与部署
章节8：深度学习之递归神经网络
课时35：递归网络
课时36：LSTM
课时37：LSTM文本分类原理
课时38：LSTM文本分类代码架构
课时39：LSTM文本分类代码详解
课时40：LSTM文本分类模型预测与部署
章节9：特定领域命名实体识别NER技术
课时41：基于深度学习医药保险命名实体识别课题背景介绍
课时42：医药保险命名实体和实体关系体系建立和命名实体分类规范
课时43：医药保险命名实体识别相关前沿技术和难点
课时44：基于深度学习医药保险命名实体识别的算法模块设计(上)
课时45：基于深度学习医药保险命名实体识别的算法模块设计（下）
课时46：数据的采集，清洗，数据机器自动标注及转化为深度学习格式（上）
课时47：数据的采集，清洗，数据机器自动标注及转化为深度学习格式（下）
课时48：模型本地Lib库封装（上）
课时49：模型本地Lib库封装（下）
课时50：部署tensorflow训练好的模型为云服务（上）
课时51：部署tensorflow训练好的模型为云服务（下）
课时52：算法设计及代码实现1
课时53：算法设计及代码实现2
课时54：代码调试，参数优化及深度剖析（深入理解）1
课时55：代码调试，参数优化及深度剖析（深入理解）2
