Natural Language Processing Specialization

自然语言处理专业化

自然语言处理（NLP）使用算法来理解和操纵人类语言。该技术是机器学习最广泛应用的领域之一。随着AI的不断扩大，对熟练构建语音和语言，揭示上下文模式并产生文本和音频的见解的专业人士的需求也将如此。这种专业化将使您掌握构建尖端NLP系统所需的最新深度学习技术。在此专业结束时，您将准备好设计执行提问和情感分析的NLP应用程序，创建翻译语言并总结文本的工具，甚至构建聊天机器人。

这种专业是针对机器学习或人工智能的学生，以及寻求对NLP模型如何工作以及如何应用它们的软件工程师。学习者应具有机器学习，中级python的工作知识，包括具有深度学习框架的经验（例如，Tensorflow，Keras），以及微积分，线性代数和统计的能力。如果您想阐述这些技能，我们建议您深入学习专业化，并由Andrew Ng教授。

该专业化是由NLP，机器学习和深度学习的两位专家设计和讲授的。 Younes Bensouda Mourri是斯坦福大学AI的讲师，他还帮助建立了深入的学习专业化。 Kasz Kaiser是Google Brain的员工研究科学家，也是Tensorflow，Tensor2Tensor和Trax库以及Transferter Paper的合着者。

课程1：NLP中的分类和向量空间

这是自然语言处理专业化的第一过程。

第1周：推文的情感分析的逻辑回归

• 使用一种简单的方法在推文中对正面或负面情绪进行分类

第2周：天真的贝叶斯用于推文的情感分析

• 使用更高级的模型进行情感分析

第3周：矢量空间模型

• 使用矢量空间模型来发现单词和使用主成分分析（PCA）之间的关系，以降低向量空间的维度并可视化这些关系

第4周：单词嵌入和局部敏感的机器翻译哈希

• 使用预先计算的单词嵌入和局部敏感的散列效果编写简单的英语到法语翻译算法，通过近似K-Nearest邻居搜索与单词相关联

课程2：NLP中的概率模型

这是自然语言处理专业化的第二个课程。

第1周：使用最小编辑距离自动校正

• 使用最小编辑距离和动态编程创建简单的自动校正算法

第2周：言论（POS）标记

• 将Viterbi算法应用于POS标记，这对于计算语言学很重要

第3周：N-Gram语言模型

• 使用N-Gram模型编写更好的自动完整算法（使用类似的模型用于翻译，确定文本的作者和语音识别）

第4周：Word2Vec和随机梯度下降

• 编写您自己的Word2Vec模型，该模型使用神经网络使用连续的单词范围模型计算单词嵌入

课程3：NLP中的序列模型

这是自然语言处理专业化的第三个课程。

第1周：神经网的情感

• 用手套单词嵌入培训神经网络，以执行推文的情感分析

第2周：语言生成模型

• 使用封闭式复发单元（GRU）语言模型生成合成莎士比亚文本

第3周：命名实体识别（NER）

• 训练复发性神经网络使用线性层的LSTM进行NER

第4周：暹罗网络

• 使用所谓的“暹罗” LSTM模型比较语料库中的问题，并识别措辞不同但具有相同含义的问题

课程4：NLP中的注意力模型

这是自然语言处理专业化的第四个课程。

第1周：关注神经机器翻译

• 使用编码器/解码器注意模型将完整的英语句子转换为法语

第2周：变压器模型的摘要

• 构建变压器模型来总结文本

第3周：带有变压器模型的提问

• 使用T5和BERT模型执行问答

第4周：聊天机器人与改革者模型

• 使用改革者模型建立聊天机器人

专业完成证书