l 課程介紹：
自然語言處理(簡稱 NLP)是計算機科學和人工智能研究的一個重要方向，研究計算機和理解和運用人類語言進行交互的問題，它是集語言學、機器學習、統計學、大數據于一體的綜合學科。
本課程主要介紹了NLP中的常用知識點：分詞、詞法分析、句法分析、向量化方法、經典的NLP機器學習算法，還重點介紹了NLP中最近兩年來基于大規模語料預訓練的詞嵌入模型及應用。同時本課程偏重于實戰，不僅系統地介紹了 NLP的知識點，還講解如何實際應用和開發，每章節都有相應的實戰代碼。
l 課程時間：4天
l 學習對象
1.希望從事NLP工作的IT技術人員、開發人員等。
2.高校、科研院涉及NLP工作的學生和研究人員。
l 學習目標：
1.掌握NLP基礎；
2.分詞；詞法、句法分析
3.文本向量化
4.HMM與CRF
5.基于深度學習NLP算法；
6.神經語言模型
7.詞嵌入方法
8.基于大規模語料預訓練的詞嵌入
l 課程大綱
第一天：傳統的NLP
一、NLP基礎知識
1、自然語言處理簡介
2、中文NLP的主要任務
3、常見的NLP系統
4、NLP的研究機構與資源
二、中文分詞
1、基于字符串匹配的分詞
2、統計分詞法與分詞中的消歧
3、命名實體識別
4、常用分詞工具：JIEBA
三、文本的相似性
1、VSM
2、TF-IDF
3、初步情感分析
四、隱馬爾科夫模型
1、形式化定義
2、三個問題
3、評估問題與向前向后算法
4、解碼問題：維特比算法
5、學習問題：Baum-Welch算法
五、條件隨機場
1、最大熵原理
2、無向圖模型
3、最大團上的勢函數
4、工具：CRF
第二天：從傳統到現代
一、從LSA到LDA
1、LSA與SVD分解
2、pLSA
3、LDA
二、神經網絡語言模型
1、維數的詛咒
2、n-gram語言模型
3、NNLM的具體實現
4、改進的思路
三、word2vec
1、one-hot與Distributed
2、CBOW
3、skip-gram
4、Hierachical Softmax
5、Negative Sampling
四、循環神經網絡（RNN）
1、RNN的基礎架構
2、RNN的示例
3、LSTM
4、GRU
第三天：預訓練模型之一（變形金剛、芝麻街、獨角獸及其他）
一、GloVe
1、與word2vec的區別
2、統計共現矩陣
3、用GloVe訓練詞向量
二、Transformer
1、所有你需要的僅僅是“注意力”
2、Transformer中的block
3、自注意力與多頭注意力
4、位置編碼（為什么可以拋棄RNN）
三、三大特征抽取器的比較
1、CNN、RNN與Transformer的比較
2、融合各種模型
四、Elmo
1、雙向語言模型
2、工作原理
3、Elmo的應用場景
五、GPT
1、“一定會有人用它干壞事”
2、GPT的內部架構
3、Transformer的演示
4、自注意力機制的改進
5、GPT的應用場景
第四天：預訓練模型之二（站上BERT的肩頭）
一、BERT的前世今生
1、之前介紹的模型回顧
2、現代NLP的最新應用場景
3、條條大路通BERT
二、BERT詳解
1、原理與方法
2、BERT的應用場景
3、BERT源碼簡介
三、站在BERT肩膀上的新秀們
1、ERNIE
2、XLnet
