TF-IDF关键词提取_Ai工程师-自然语言处理实战课程-CSDN在线视频培训

课程简介
- 课程简介
- 环境配置
NLP常用工具包实战
- Python字符串处理（数据代码下载，需要PC登录下载网盘链接）
- 正则表达式基本语法
- 正则常用符号
- 常用函数介绍
- NLTK工具包简介
- 停用词过滤
- 词性标注
- 数据清洗实例
- Spacy工具包
- 名字实体匹配
- 恐怖袭击文本资料分析
- 统计分析结果
- 结巴分词器
- 词云展示
Pandas工具包实战
- Pandas概述
- Pandas基本操作
- Pandas索引
- groupby操作
- 数值运算
- 对象操作
- 对象操作2
- merge操作
- 显示设置
- 数据透视表
- 时间操作
- 时间序列操作
- Pandas常用操作
- Pandas常用操作2
- Groupby操作延伸
- 字符串操作
- 索引进阶
- Pandas绘图操作
- 大数据处理技巧
案例实战：商品信息可视化与文本分析
- 任务概述
- 商品类别划分
- 商品类别可视化展示
- 描述长度对价格的影响
- 词云展示
- tf-idf结果
- 降维可视化展示
- 聚类与主题模型
贝叶斯算法
- 贝叶斯算法概述
- 贝叶斯推导实例
- 贝叶斯拼写纠错实例
- 垃圾邮件过滤实例
- 贝叶斯实现拼写检查器
新闻分类任务实战
- 文本分析与关键词提取
- 相似度计算
- 新闻数据与任务简介
- TF-IDF关键词提取
- LDA建模
- 基于贝叶斯算法进行新闻分类
HMM隐马尔科夫模型
- 马尔科夫模型
- 隐马尔科夫模型基本出发点
- 组成与要解决的问题
- 暴力求解方法
- 复杂度计算
- 前向算法
- 前向算法求解实例
- Baum-Welch算法
- 参数求解
- 维特比算法
HMM工具包实战
- hmmlearn工具包
- 工具包使用方法
- 中文分词任务
- 中文分词任务
走进深度学习-神经网络算法
- 深度学习概述
- 挑战与常规套路
- 用K近邻来进行分类
- 超参数与交叉验证
- 线性分类
- 损失函数
- 正则化惩罚项
- softmax分类器
神经网络整体架构
- 最优化形象解读
- 最优化问题细节
- 反向传播
- 整体架构
- 实例演示
- 过拟合解决方案
语言模型
- 语言模型
- 语言模型
- 词向量
- 神经网络模型
- Hierarchical Softmax
- CBOW模型实例
- CBOW求解目标
- 锑度上升求解
- 负采样模型
使用Gemsim构建词向量
- 使用Gensim库构造词向量
- 维基百科中文数据处理
- Gensim构造word2vec模型
- 测试模型相似度结果
基于word2vec的分类任务
- 影评情感分类
- 基于词袋模型训练分类器
- 准备word2vec输入数据
- 使用gensim构建word2vec词向量
NLP-文本特征方法对比
- 任务概述
- 词袋模型
- 词袋模型分析
- TFIDF模型
- word2vec词向量模型
- 深度学习模型
递归网络模型
- 递归神经网络（RNN）概述
- RNN网络细节
- LSTM网络架构
卷积网络模型
- 卷积神经网络的应用
- 卷积层解释
- 卷积计算过程
- pading与stride
- 卷积参数共享
- 池化层原理
Tensorflow基本操作
- Tensorflow简介与安装
- Tensorflow中的变量
- 变量常用操作
- 实现线性回归算法
- Mnist数据集简介
- 逻辑回归算法
Tensorflow卷积神经网络
- 神经网络结构
- 卷积网络结构基本定义
- 卷积神经网络迭代
- Cifar-10图像分类任务
RNN递归神经网络实战
- RNN网络基本架构
- 实现RNN网络架构
- RNN实现自己的小demo
- RNN预测时间序列
项目实战：CNN应用于文本分类任务
- CNN应用于文本分类任务
- 文本分类任务特征定义
- 卷积网络定义
- 完成预测分类任务
项目实战：LSTM情感分析
- RNN网络架构
- LSTM网络架构
- 使用LSTM进行情感分类
- 情感数据集处理
- 基于word2vec的LSTM模型
项目实战：NLP-相似度模型
- 网络模型定义
- 基于字符的训练
- 基于句子的相似度训练
- 任务概述
- 数据展示
- 正负样本制作
- 数据预处理
Seq2Seq网络架构
- Seq2Seq网络架构
- Seq2Seq基本模型
- Attention机制
- Seq2Seq网络架构
项目实战：对话机器人
- 参数配置与数据加载
- 数据处理
- 词向量与投影
- seq网络
- 网络训练
- 效果演示
项目实战：动手打造自己的输入法
- 网络结构概述
- 加载数据
- 训练测试模型
- 数据准备
项目实战：机器人写唐诗
- 任务概述与环境配置
- 参数配置
- 数据预处理模块
- batch数据制作
- RNN模型定义
- 完成训练模块
- 完成训练模块
- 测试唐诗生成效果
项目实战：NMT机器翻译框
- 机器翻译框架概述
- 参数设置
- 数据加载
- 网络结构定义
- 训练模型
项目实战：LSTM时间序列预测任务
- 时间序列模型
- 网络结构与参数定义
- 构建LSTM模型
- 训练模型与效果展示
- 多序列预测结果
- 股票数据预测
- 数据预处理
- 预测结果展示
项目实战：Keras文本分类实战
- 文本数据读取预处理
- 基本模型
- Embeeding-layer效果
- 准备词向量数据
- 词嵌入训练结果
- 加入LSTM层效果
- 加入卷积层效果
- 参数调优
项目实战：地址邮编多序列任务
- 数据与目标
- 字符表制作
- 数据读取
- 数据增强
- 网络模型
- 测试效果
项目实战：基于Keras的序列网络实战
- 网络模型解读
- 数据介绍与读取
- 配置文件制作
- 编码器模型
- 解码器模型
- 制作训练batch数据
- 测试数据准备
- 完成测试模块
项目实战：Keras实战模板总结
- 模板目录结构
- 模型与训练结构
- 评论数据集与任务目标
- 数据准备
- 模型整体架构
- 准备模型
- 训练网络
- 多标签训练

课时介绍

TF-IDF关键词提取

课程介绍

购买课程后，添加小助手微信（微信号：csdn108）回复【唐宇迪】

进入学习群，获取唐宇迪老师答疑

AI工程师-自然语言处理实战课程旨在用最接地气的方式讲解复杂的算法原理，基于真实数据集，通过实际案例进行项目实战。整个体系内容包括200+课时，20个项目实战，完美覆盖当下热门技术与经典框架实战。学习路线主要包括三大阶段：1.掌握Python在自然语言处理领域必备工具包使用方法 2.机器学习与深度学习在NLP领域常用算法原理与应用实践 3.基于经典框架展开项目实战(Tensorflow,Keras)。课程整体风格通俗易懂，实战案例驱动，提供全部课程所需数据，代码，课件。