這三個(gè)NLP項(xiàng)目寫進(jìn)簡(jiǎn)歷，網(wǎng)申通過率提高50%
01
三大企業(yè)級(jí)項(xiàng)目
項(xiàng)目一
京東智能對(duì)話系統(tǒng)項(xiàng)目
項(xiàng)目簡(jiǎn)介：智能客服機(jī)器人已經(jīng)成為了客服系統(tǒng)的重要組成部分，幫助人工客服提升工作效率，為企業(yè)降低人工成本。作為智能客服的行業(yè)先驅(qū)，京東多年來致力打造全鏈路的客服機(jī)器人，最大化提升商家的接待效率和用戶體驗(yàn)。目前智能機(jī)器人的對(duì)話生成策略已經(jīng)在“京小智”、“京東JIMI“等智能客服機(jī)器廣泛應(yīng)用，在用戶購(gòu)買商品的售前以及售后環(huán)節(jié)，為數(shù)千萬用戶以及數(shù)十萬商家進(jìn)行服務(wù)，為商家降本增效，為用戶提升購(gòu)物客服體驗(yàn)。
項(xiàng)目二
京東智能營(yíng)銷文本生成項(xiàng)目
項(xiàng)目三
京東同類商品競(jìng)價(jià)搜索項(xiàng)目
對(duì)課程有意向的同學(xué)
可掃描二維碼咨詢
??????
課程覆蓋了從經(jīng)典的機(jī)器學(xué)習(xí)、文本處理技術(shù)、序列模型、深度學(xué)習(xí)、預(yù)訓(xùn)練模型、知識(shí)圖譜、圖神經(jīng)網(wǎng)絡(luò)所有必要的技術(shù)，30+項(xiàng)目案例幫助你在實(shí)戰(zhàn)中學(xué)習(xí)成長(zhǎng)。5個(gè)月時(shí)間博導(dǎo)級(jí)大咖全程輔導(dǎo)答疑、幫你告別疑難困惑。
?第二部分：文本處理篇
第5章：分詞、詞的標(biāo)準(zhǔn)化、過濾 文本分析流程 中英文的分詞 最大匹配算法 基于語言模型的分詞 Stemming和Lemmazation 停用詞的使用 拼寫糾錯(cuò)問題 編輯距離的實(shí)現(xiàn) 暴力搜索法 基于后驗(yàn)概率的糾錯(cuò) | 第6章：文本的表示 單詞的獨(dú)熱編碼表示 句子的獨(dú)熱編碼表示 tf-idf表示 句子相似度比較 獨(dú)熱編碼下的單詞語義相似度 從獨(dú)熱編碼到詞向量 詞向量的可視化、句子向量 |
第7章：【項(xiàng)目作業(yè)】豆瓣電影評(píng)分預(yù)測(cè) 數(shù)據(jù)描述以及任務(wù) 中文分詞 獨(dú)熱編碼、tf-idf 分布式表示與Word2Vec BERT向量 句子向量 | 第8章：詞向量技術(shù) 獨(dú)熱編碼表示的優(yōu)缺點(diǎn) 獨(dú)熱編碼與分布式表示的比較 靜態(tài)詞向量與動(dòng)態(tài)詞向量 學(xué)習(xí)詞向量 - 分布式假設(shè) SkipGram與CBOW SkipGram模型的目標(biāo) 負(fù)采樣（Negative Sampling） 基于矩陣分解的詞向量學(xué)習(xí) 基于Glove的詞向量學(xué)習(xí) 在非歐式空間中的詞向量學(xué)習(xí) |
第9章：【項(xiàng)目作業(yè)】智能客服問答系統(tǒng) 問答系統(tǒng)和應(yīng)用場(chǎng)景 問答系統(tǒng)搭建流程 文本的向量化表示 FastText 倒排表技術(shù) 問答系統(tǒng)中的召回、排序 | 第10章：語言模型 語言模型的必要性 馬爾科夫假設(shè) Unigram語言模型 Bigram、Trigram語言模型 語言模型的評(píng)估 語言模型的平滑技術(shù) |
?第三部分：自然語言處理與深度學(xué)習(xí)
第11章：深度學(xué)習(xí)基礎(chǔ) 理解神經(jīng)網(wǎng)絡(luò) 各類常見的激活函數(shù) 理解多層神經(jīng)網(wǎng)絡(luò) 反向傳播算法 神經(jīng)網(wǎng)絡(luò)中的過擬合 淺層模型與深層模型對(duì)比 深度學(xué)習(xí)中的層次表示 | 第12章：Pytorch的使用 環(huán)境安裝 Pytorch與Numpy的語法比較 Pytorch中的Autograd用法 Pytorch的Forward函數(shù) |
第13章：RNN與LSTM 從HMM到RNN模型 RNN中的梯度問題 解決梯度爆炸問題 梯度消失與LSTM LSTM到GRU 雙向LSTM模型 基于LSTM的生成 練習(xí)：利用Pytorch實(shí)現(xiàn)RNN/LSTM | 第14章：Seq2Seq模型與注意力機(jī)制 Seq2Seq模型 Greedy Decoding Beam Search 長(zhǎng)依賴所存在的問題 注意力機(jī)制 注意力機(jī)制的不同實(shí)現(xiàn) |
第15章：【項(xiàng)目實(shí)戰(zhàn)】京東智能營(yíng)銷文案生成 構(gòu)建Seq2Seq模型 Beam Search的改造 模型調(diào)優(yōu) Length Normalization Coverage Normalization 評(píng)估標(biāo)準(zhǔn) Rouge Pointer-Generator Network PGN與Seq2Seq的融合 | 第16章：動(dòng)態(tài)詞向量與ELMo技術(shù) 基于上下文的詞向量技術(shù) 圖像識(shí)別中的層次表示 文本領(lǐng)域中的層次表示 深度BI-LSTM ELMo模型簡(jiǎn)介及優(yōu)缺點(diǎn) ELMo的訓(xùn)練與測(cè)試 |
第17章：自注意力機(jī)制與Transformer 基于LSTM模型的缺點(diǎn) Transformer結(jié)構(gòu)概覽 理解自注意力機(jī)制 位置信息的編碼 理解Encoder與Decoder區(qū)別 理解Transformer的訓(xùn)練和預(yù)測(cè) Transformer的缺點(diǎn) | 第18章：BERT與ALBERT 自編碼器介紹 Transformer Encoder Masked LM BERT模型及其不同訓(xùn)練方式 ALBERT |
第19章：【項(xiàng)目實(shí)戰(zhàn)】京東智能客服系統(tǒng)項(xiàng)目 對(duì)話系統(tǒng)的分類方法 檢索方式與生成方式 對(duì)話系統(tǒng)架構(gòu) 意圖識(shí)別分類器 閑聊引擎的搭建 Transformer與BERT的使用 | 第20章：GPT與XLNet Transformer Encoder回顧 GPT-1，GPT-2，GPT-3 ELMo的缺點(diǎn) 語言模型下同時(shí)考慮上下文 Permutation LM 雙流自注意力機(jī)制 Transformer-XL |
?第四部分、信息抽取
第21章：命名實(shí)體識(shí)別與實(shí)體消歧 信息抽取的應(yīng)用和關(guān)鍵技術(shù) 命名實(shí)體識(shí)別 NER識(shí)別常用技術(shù) 實(shí)體消歧技術(shù) 實(shí)體消歧常用技術(shù) 實(shí)體統(tǒng)一技術(shù) 指代消解 | 第22章：關(guān)系抽取 關(guān)系抽取的應(yīng)用 基于規(guī)則的方法 基于監(jiān)督學(xué)習(xí)方法 Bootstrap方法 Distant Supervision方法 |
第23章：依存文法分析 從語法分析到依存文法分析 依存文法分析的應(yīng)用 使用依存文法分析 基于圖算法的依存文法分析 基于Transtion-based的依存文法分析 其他依存文法分析方法論 | 第24章：知識(shí)圖譜 知識(shí)圖譜以及重要性 知識(shí)圖譜中的實(shí)體和關(guān)系 利用非結(jié)構(gòu)化數(shù)據(jù)構(gòu)造知識(shí)圖譜 知識(shí)圖譜的設(shè)計(jì) |
第25章：【項(xiàng)目實(shí)戰(zhàn)】京東同類商品競(jìng)價(jià)搜索項(xiàng)目 Entity Linking介紹 Entity Linking技術(shù)概覽 從商品描述、商品標(biāo)題中抽取關(guān)鍵實(shí)體 搭建商品知識(shí)圖譜 基于GNN學(xué)習(xí)商品的詞嵌入 商品的ranking以及相似度計(jì)算 |
?第五部分：圖神經(jīng)網(wǎng)絡(luò)以及其他前沿主題
第26章：模型的壓縮 模型壓縮的必要性 常見的模型壓縮算法總覽 基于矩陣分解的壓縮技術(shù) 從BERT到ALBERT的壓縮 基于貝葉斯模型的壓縮技術(shù) 模型的量化 模型的蒸餾方法 | 第27章：圖神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)的回顧 圖神經(jīng)網(wǎng)絡(luò)發(fā)展歷程 圖卷積神經(jīng)網(wǎng)絡(luò)（GCN） GAT詳解 |
對(duì)課程有意向的同學(xué)
可掃描二維碼咨詢
??????
03
教學(xué)體系
?01 項(xiàng)目講解&實(shí)戰(zhàn)幫助
▲節(jié)選往期部分課程安排
?02最佳工業(yè)實(shí)戰(zhàn)
▲源自京東智聯(lián)云AI某模塊架構(gòu)圖
?03專業(yè)的論文解讀
▲節(jié)選往期部分論文安排
?04代碼解讀&實(shí)戰(zhàn)
▲BERT模型代碼實(shí)戰(zhàn)講解
?05行業(yè)案例分享
▲專家分享
?06日常社群答疑
▲社群內(nèi)老師專業(yè)的解答
?07日常作業(yè)&講解
▲課程學(xué)習(xí)中的小作業(yè)
?08學(xué)員畢業(yè)去向
04
課程適合哪些學(xué)員吶？
大學(xué)生：
計(jì)算機(jī)或者信息領(lǐng)域相關(guān)的本科/研究/博士生，畢業(yè)后希望從事AI相關(guān)的工作；
希望在真實(shí)工業(yè)場(chǎng)景中磨煉技術(shù)，提升職場(chǎng)競(jìng)爭(zhēng)力；
畢業(yè)之后希望申請(qǐng)國(guó)內(nèi)外名校的碩士或者博士。
在職人士：
具備良好的工程研發(fā)背景，希望從事AI相關(guān)的項(xiàng)目或者工作；
從事AI工作，希望進(jìn)一步提升NLP實(shí)戰(zhàn)經(jīng)驗(yàn)；
從事NLP工作，希望深入了解模型機(jī)理；
AI developer, 希望突破技術(shù)瓶頸， 了解NLP前沿信息。
入學(xué)標(biāo)準(zhǔn)
1.理工科專業(yè)相關(guān)本科生，碩士生或博士生或者IT領(lǐng)域的在職人士；
2.具備很強(qiáng)的動(dòng)手能力、熟練使用Python編程；
3.具備良好的英文文獻(xiàn)閱讀能力，至少達(dá)到CET-4級(jí)水平。
對(duì)課程有意向的同學(xué)
可掃描二維碼咨詢
??????