Python中具有深度学习的自然语言处理 | Natural Language Processing with Deep Learning in Python

使用递归网络推导和实现word2vec、GloVe、单词嵌入和情感分析的完整指南
讲师：Lazy Programmer Inc.

双语资源中英文字幕学习课程，独家翻译制作，提供全部配套课程资料。全网最低价享受高品质课程资源，无限分享下载。

你将会学到什么？

• 理解并实施word2vec
• 理解word2vec中的CBOW方法
• 理解word2vec中的skip gram方法
• 了解word2vec中的负采样优化
• 使用梯度下降和交替最小二乘法理解和实现GloVe
• 使用递归神经网络进行词性标注
• 使用递归神经网络进行命名实体识别
• 理解并实现用于情绪分析的递归神经网络
• 理解并实现用于情绪分析的递归神经张量网络
• 使用Gensim获得预训练的单词向量，并计算相似性和类比
• 了解OpenAI ChatGPT、GPT-4、DALL-E、Midtravel和稳定扩散的重要基础

课程要求

• 安装Numpy、Matplotlib、Sci Kit Learn和Theano或TensorFlow（现在应该非常容易）
• 了解反向传播和梯度下降，能够自己推导和编码方程
• 根据Theano（或Tensorflow）中的基本基元，特别是扫描函数，对递归神经网络进行编码
• 在Theano（或Tensorflow）中编码前馈神经网络
• 有助于掌握树算法的经验

课程说明

有没有想过像OpenAIChatGPT、GPT-4、DALL-E、中端和稳定扩散*这样的人工智能技术是如何真正工作的？在本课程中，您将学习这些突破性应用程序的基础知识。

在本课程中，我们将研究NLP（自然语言处理）与深度学习。

之前，您了解了一些基础知识，比如有多少NLP问题只是常规的机器学习和数据科学问题，以及简单实用的方法，比如单词包和术语文档矩阵。

这些让我们可以做一些很酷的事情，比如检测垃圾邮件、写诗、发表文章，以及将类似的单词组合在一起。

在本课程中，我将向您展示如何做更棒的事情。在本课程中，我们不仅将学习1种新架构，还将学习4种新架构。

首先是word2vec。

在本课程中，我将向您展示word2vec是如何工作的，从理论到实现，您将看到它只是您已经知道的技能的应用。

Word2vec很有趣，因为它神奇地将单词映射到一个向量空间，在那里你可以找到类比，比如：

• 国王-男人=王后-女人
• 法国-巴黎=英国-伦敦
• 12月至11月=7月至6月

对于那些觉得算法很难并且只想使用库的初学者，我们将演示使用Gensim库来获得预先训练的单词向量，计算相似性和类比，并将这些单词向量应用于构建文本分类器。

我们还将研究GloVe方法，该方法也可以找到单词向量，但使用了一种称为矩阵分解的技术，这是推荐系统的一种流行算法。

令人惊讶的是，GLoVe产生的单词向量和word2vec产生的一样好，而且训练起来更容易。

我们还将研究一些经典的NLP问题，如词性标记和命名实体识别，并使用递归神经网络来解决它们。你会发现，几乎任何问题都可以使用神经网络来解决，但你也会学到过于复杂的危险。

最后，您将了解递归神经网络，它最终帮助我们解决情绪分析中的否定问题。递归神经网络利用了句子有树结构的事实，我们终于可以摆脱天真地使用单词袋的习惯。

本课程所需的所有材料都可以免费下载和安装。我们将在Numpy、Matplotlib和Theano*中完成大部分工作。我随时可以回答您的问题，并帮助您完成数据科学之旅。

本课程的重点是“如何构建和理解”，而不仅仅是“如何使用”。阅读一些文档后，任何人都可以在15分钟内学会使用API。这不是关于“记住事实”，而是关于通过实验“亲眼目睹”。它将教您如何在内部可视化模型中发生的事情。如果你想要更多而不仅仅是对机器学习模型的肤浅了解，这门课程就是为你准备的。

上课见！

“如果你不能实施它，你就不理解它”

• 或者正如伟大的物理学家理查德·费曼所说：“我不能创造的，我不理解”。
• 我的课程是您将学习如何从头开始实现机器学习算法的唯一课程
• 其他课程会教你如何将数据插入库，但你真的需要3行代码的帮助吗？
• 在对10个数据集做了同样的事情后，你会意识到你没有学到10件事。你学到了一件事，只重复了同样的3行代码10次。。。

建议的先决条件：

• 微积分（取导数）
• 矩阵加法、乘法
• 概率（条件分布和联合分布）
• Python编码：if/else、循环、列表、dicts、集合
• Numpy编码：矩阵和矢量运算，加载CSV文件
• 神经网络和反向传播，能够自己推导和编码梯度下降算法
• 可以在Theano或TensorFlow中编写前馈神经网络
• 可以从基本基元，特别是扫描函数，在Theano或TensorFlow中编写递归神经网络/LSTM/GRU
• 有助于掌握树算法的经验

我应该按什么顺序选修你的课程？：

• 查看讲座“机器学习和人工智能先决条件路线图”（可在我的任何课程的常见问题解答中找到，包括免费的Numpy课程）

独特的功能

• 详细解释了每一行代码-如果您不同意，请随时给我发电子邮件
• 不像其他课程那样浪费时间在键盘上“打字”——老实说，没有人能真正在20分钟内从头开始编写值得学习的代码
• 不怕大学级别的数学-了解其他课程遗漏的算法的重要细节

此课程面向哪些人？

• 想要为各种NLP任务创建词向量表示的学生和专业人员
• 对递归神经网络等最先进的神经网络架构感兴趣的学生和专业人士
• 不应该：任何对先决条件不满意的人。