【Udemy中英字幕】Machine Learning: Natural Language Processing in Python (V2)

机器学习：Python 中的自然语言处理（V2）

NLP：在 Python 中使用马尔可夫模型、NLTK、人工智能、深度学习、机器学习和数据科学

讲师：Lazy Programmer Inc.

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 如何使用 CountVectorizer、TF-IDF、word2vec 和 GloVe 将文本转换为向量
• 如何实现文档检索系统/搜索引擎/相似性搜索/向量相似性
• 概率模型、语言模型和马尔可夫模型（Transformers、BERT 和 GPT-3 的先决条件）
• 如何使用遗传算法和语言建模实现密码解密算法
• 如何实施垃圾邮件检测
• 如何实现情绪分析
• 如何实现文章旋转器
• 如何实现文本摘要
• 如何实现潜在语义索引
• 如何使用 LDA、NMF 和 SVD 实现主题建模
• 机器学习（朴素贝叶斯、逻辑回归、PCA、SVD、潜在狄利克雷分配）
• 深度学习（ANN、CNN、RNN、LSTM、GRU）（BERT 和 GPT-3 更重要的先决条件）
• 拥抱脸变形金刚（仅限 VIP）
• 如何使用 Python、Scikit-Learn、Tensorflow 等进行 NLP
• 文本预处理、标记化、停用词、词形还原和词干提取
• 词性 (POS) 标记和命名实体识别 (NER)
• 了解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基础

显示更多显示较少

探索相关主题

• 自然语言处理 (NLP)
• 数据科学
• 发展

要求

• 安装 Python，它是免费的！
• 良好的 Python 编程技能
• 可选：如果你想理解数学部分，线性代数和概率很有帮助

描述

有没有想过OpenAI ChatGPT、GPT-4、DALL-E、Midjourney和Stable Diffusion等 AI 技术究竟是如何工作的？在本课程中，您将学习这些突破性应用程序的基础知识。

大家好！

欢迎来到机器学习：Python 中的自然语言处理（版本 2）。

这是一门四合一的课程，内容涵盖：

1）向量模型与文本预处理方法

2）概率模型和马尔可夫模型

3）机器学习方法

4）深度学习和神经网络方法

在第 1 部分中，您将了解向量模型和文本预处理方法，了解向量在数据科学和人工智能中如此重要的原因。您将了解将文本转换为向量的各种技术，例如 CountVectorizer 和 TF-IDF，还将学习 word2vec 和 GloVe 等神经嵌入方法的基础知识。

然后，你将把学到的知识应用到各种任务中，例如：

• 文本分类
• 文档检索/搜索引擎
• 文本摘要

在此过程中，您还将学习重要的文本预处理步骤，例如标记化、词干提取和词形还原。

您将简要了解经典的 NLP 任务，例如词性标记。

在第 2 部分中，您将了解概率模型和马尔可夫模型，这是过去 100 年来整个数据科学和机器学习中最重要的模型之一。除了 NLP 之外，它还应用于许多领域，例如金融、生物信息学和强化学习。

在本课程中，您将了解此类概率模型如何以各种方式使用，例如：

• 构建文本分类器
• 文章旋转
• 文本生成（生成诗歌）

重要的是，这些方法是理解最新的Transformer（注意力）模型（例如BERT和GPT-3）如何工作的必要先决条件。具体来说，我们将了解与 BERT 和 GPT 的预训练目标相对应的 2 个重要任务。

在涵盖机器学习方法的第 3 部分中，您将了解更多经典的 NLP 任务，例如：

• 垃圾邮件检测
• 情绪分析
• 潜在语义分析（也称为潜在语义索引）
• 主题建模

本节将重点关注应用而不是理论，这意味着您不必花费大部分精力来了解各种 ML 算法的细节，而是专注于如何将它们应用于上述任务。

当然，你仍然需要了解这些算法，以便理解发生了什么。将使用以下算法：

• 朴素贝叶斯
• 逻辑回归
• 主成分分析 (PCA)/奇异值分解 (SVD)
• 潜在狄利克雷分配（LDA）

这些不仅仅是“任何”机器学习/人工智能算法，而是 NLP 中的主要算法，因此是任何 NLP 课程的重要组成部分。

在第 4 部分中，您将了解可用于解决 NLP 任务的现代神经网络架构，该部分涵盖深度学习方法。由于神经网络具有强大的功能和灵活性，因此可用于解决本课程中上述任何任务。

您将了解：

• 前馈人工神经网络 (ANN)
• 嵌入
• 卷积神经网络 (CNN)
• 循环神经网络 (RNN)

RNN 的研究将涉及 LSTM 和 GRU 等现代架构，这些架构已被谷歌、亚马逊、苹果、Facebook 等广泛用于语言翻译、语音识别和文本转语音等困难任务。

显然，由于最新的Transformers（如BERT和GPT-3）是深度神经网络的例子，因此本课程的这一部分是理解 Transformers 的必要先决条件。

独特功能

• 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”——说实话，没有人能在 20 分钟内从头开始编写值得学习的代码
• 不惧怕大学水平的数学——获得其他课程遗漏的算法重要细节

感谢您的阅读，希望很快能见到您！

本课程适合哪些人：

• 任何想学习自然语言处理 (NLP) 的人
• 对人工智能、机器学习、深度学习或数据科学感兴趣的任何人
• 任何想要超越 Udemy 上典型的初学者课程的人

显示更多显示较少