課程大綱： 自然語言處理培訓
一：概率論和貝葉斯方法
1.1 概率和分布
1.2 條件概率
1.3 貝葉斯法則
1.4 獨立性假設和樸素貝葉斯方法
1.5 樸素貝葉斯的不足
如何自動發現新詞
二：機器學習典型方法
2.1 線性回歸
2.2 梯度下降法和牛頓法
2.3 支持向量機
2.4 無監督學習
2.5 EM算法直觀體驗
2.6 馬爾科夫理論
實現一個信用評級模型
三：自然語言理解的基礎
3.1 分詞
3.2 詞性和命名實體標注
3.3 句法分析
3.4 語言模型
分別用普通語料和金融領域語料實現語言模型，體會其效果區別
四：自然語言處理經典任務
4.1 詞的共現和相關
4.2 文本分類和聚類
4.3 信息檢索
4.4 意圖識別
4.5 情感分析
4.6 自動問答
實現一個酒店評論分類模型
五：人工智能的重要基礎：神經網絡
5.1 神經網絡能做什么
5.2神經網絡有什么不同
5.3 神經網絡的結構
5.4 反向傳播的原理和問題
5.5 CNN和RNN
5.6 深度學習的一些有趣任務（詞向量、語言模型等）
第六課：深度學習實踐體驗
6.1 python介紹
6.2 tensorflow介紹
6.3 大數據與深度學習
練習：
閱讀ANN實現手寫識別模型的代碼，并嘗試增加一層網絡實驗效果
加入高級會員獲得助教答疑
