Natural Language Processing Specialization

自然語言處理專業化

自然語言處理（NLP）使用算法來理解和操縱人類語言。該技術是機器學習最廣泛應用的領域之一。隨著AI的不斷擴大，對熟練構建語音和語言，揭示上下文模式並產生文本和音頻的見解的專業人士的需求也將如此。這種專業化將使您掌握構建尖端NLP系統所需的最新深度學習技術。在此專業結束時，您將準備好設計執行提問和情感分析的NLP應用程序，創建翻譯語言並總結文本的工具，甚至構建聊天機器人。

這種專業是針對機器學習或人工智能的學生，以及尋求對NLP模型如何工作以及如何應用它們的軟件工程師。學習者應具有機器學習，中級python的工作知識，包括具有深度學習框架的經驗（例如，Tensorflow，Keras），以及微積分，線性代數和統計的能力。如果您想闡述這些技能，我們建議您深入學習專業化，並由Andrew Ng教授。

該專業化是由NLP，機器學習和深度學習的兩位專家設計和講授的。 Younes Bensouda Mourri是斯坦福大學AI的講師，他還幫助建立了深入的學習專業化。 Kasz Kaiser是Google Brain的員工研究科學家，也是Tensorflow，Tensor2Tensor和Trax庫以及Transferter Paper的合著者。

課程1：NLP中的分類和向量空間

這是自然語言處理專業化的第一過程。

第1週：推文的情感分析的邏輯回歸

• 使用一種簡單的方法在推文中對正面或負面情緒進行分類

第2週：天真的貝葉斯用於推文的情感分析

• 使用更高級的模型進行情感分析

第3週：矢量空間模型

• 使用矢量空間模型來發現單詞和使用主成分分析（PCA）之間的關係，以降低向量空間的維度並可視化這些關係

第4週：單詞嵌入和局部敏感的機器翻譯哈希

• 使用預先計算的單詞嵌入和局部敏感的散列效果編寫簡單的英語到法語翻譯算法，通過近似K-Nearest鄰居搜索與單詞相關聯

課程2：NLP中的概率模型

這是自然語言處理專業化的第二個課程。

第1週：使用最小編輯距離自動校正

• 使用最小編輯距離和動態編程創建簡單的自動校正算法

第2週：言論（POS）標記

• 將Viterbi算法應用於POS標記，這對於計算語言學很重要

第3週：N-Gram語言模型

• 使用N-Gram模型編寫更好的自動完整算法（使用類似的模型用於翻譯，確定文本的作者和語音識別）

第4週：Word2Vec和隨機梯度下降

• 編寫您自己的Word2Vec模型，該模型使用神經網絡使用連續的單詞範圍模型計算單詞嵌入

課程3：NLP中的序列模型

這是自然語言處理專業化的第三個課程。

第1週：神經網的情感

• 用手套單詞嵌入培訓神經網絡，以執行推文的情感分析

第2週：語言生成模型

• 使用封閉式複發單元（GRU）語言模型生成合成莎士比亞文本

第3週：命名實體識別（NER）

• 訓練復發性神經網絡使用線性層的LSTM進行NER

第4週：暹羅網絡

• 使用所謂的“暹羅” LSTM模型比較語料庫中的問題，並識別措辭不同但具有相同含義的問題

課程4：NLP中的注意力模型

這是自然語言處理專業化的第四個課程。

第1週：關注神經機器翻譯

• 使用編碼器/解碼器注意模型將完整的英語句子轉換為法語

第2週：變壓器模型的摘要

• 構建變壓器模型來總結文本

第3週：帶有變壓器模型的提問

• 使用T5和BERT模型執行問答

第4週：聊天機器人與改革者模型

• 使用改革者模型建立聊天機器人

專業完成證書