Python 深度学习自然语言处理 ( Natural Language Processing with Deep Learning in Python )

在本课程中，我们将通过深度学习研究NLP（自然语言处理）。

之前，您了解了一些基础知识，例如有多少 NLP 问题只是变相的常规机器学习和数据科学问题，以及简单实用的方法，例如词袋和术语文档矩阵。

这让我们可以做一些很酷的事情，比如检测垃圾邮件、写诗、编造文章，以及将相似的词组合在一起。

在本课程中，我将向您展示如何做更棒的事情。在本课程中，我们将学习的不仅仅是 1 个，而是4 个新架构。

首先是 word2vec。

在本课程中，我将向您展示 word2vec 从理论到实现的确切工作原理，您会发现它只是应用您已经掌握的技能。

Word2vec 很有趣，因为它神奇地将单词映射到一个向量空间，您可以在其中找到类比，例如：

• 国王 – 男人 = 王后 – 女人
• 法国 – 巴黎 = 英国 – 伦敦
• 十二月 – 十一月 = 七月 – 六月

对于那些觉得算法难，只想使用库的初学者，我们将演示如何使用Gensim库获取预训练的词向量，计算相似度和类比，并将这些词向量应用于构建文本分类器。

我们还将研究GloVe方法，它也可以找到词向量，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 生成的词向量与 word2vec 生成的词向量一样好，而且更容易训练。

我们还将研究一些经典的 NLP 问题，例如词性标注和命名实体识别，并使用递归神经网络来解决它们。您会发现几乎任何问题都可以使用神经网络来解决，但您也会了解到过于复杂的危险。

最后，你将学习递归神经网络，最终帮助我们解决情感分析中的否定问题。递归神经网络利用了句子具有树形结构这一事实，我们终于可以摆脱天真地使用词袋。

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，并在您的数据科学之旅中为您提供帮助。

本课程着重于“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“亲眼所见”。它将教您如何可视化模型内部发生的情况。如果您想要的 不仅仅是 粗略地了解机器学习模型，那么本课程适合您。

我们在课室见！

“如果你不能执行它，你就不会理解它”

• 或者正如伟大的物理学家理查德·费曼所说：“我无法创造的东西，我不明白”。
• 我的课程是您将学习如何从头开始实施机器学习算法的唯一课程
• 其他课程会教您如何将数据插入库，但您真的需要 3 行代码的帮助吗？
• 在对 10 个数据集做了同样的事情之后，你意识到你没有学到 10 个东西。你学到了 1 件事，并且只是将相同的 3 行代码重复了 10 次……

建议先决条件：

• 微积分（求导数）
• 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、字典、集合
• Numpy编码：矩阵和向量运算，加载CSV文件
• 神经网络和反向传播，能够自己推导和编写梯度下降算法
• 可以用 Theano 或 TensorFlow 编写前馈神经网络
• 可以使用基本原语在 Theano 或 TensorFlow 中编写递归神经网络/LSTM/GRU，尤其是扫描函数
• 有助于有树算法的经验

我应该按什么顺序上你们的课程？：

• 查看讲座“机器学习和 AI 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

• 每行代码都有详细解释 – 如果您不同意，请随时给我发电子邮件
• 不会像其他课程那样浪费时间在键盘上“打字”——老实说，没有人能在短短 20 分钟内从头开始真正编写出值得学习的代码
• 不惧怕大学水平的数学——了解其他课程遗漏的有关算法的重要细节