<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 斯坦福自然語言處理深度學習課程評價 > 原文: [https://machinelearningmastery.com/stanford-deep-learning-for-natural-language-processing-course/](https://machinelearningmastery.com/stanford-deep-learning-for-natural-language-processing-course/) 自然語言處理(NLP)是機器學習的一個子領域,涉及理解語音和文本數據。 統計方法和統計機器學習在該領域占主導地位,并且最近深度學習方法已被證明在挑戰語音識別和文本翻譯等 NLP 問題方面非常有效。 在這篇文章中,您將發現有關深度學習方法的自然語言處理主題的斯坦福課程。 本課程是免費的,我鼓勵您使用這個優秀的資源。 完成這篇文章后,你會知道: * 本課程的目標和先決條件。 * 課程講座細分以及如何訪問幻燈片,筆記和視頻。 * 如何充分利用這種材料。 讓我們開始吧。 ## 概觀 這篇文章分為 5 部分;他們是: 1. 課程摘要 2. 先決條件 3. 講座 4. 項目 5. 如何最好地使用這種材料 ## 課程摘要 該課程由 Chris Manning 和 Richard Socher 教授。 [Chris Manning](https://nlp.stanford.edu/manning/) 是至少兩本關于自然語言處理的頂級教科書的作者: * [統計自然語言處理基礎](http://amzn.to/2gVBX7j) * [信息檢索簡介](http://amzn.to/2gVU9gZ) [Richard Socher](http://www.socher.org/) 是 [MetaMind](http://www.metamind.io/) 背后的人,也是 Salesforce 的首席科學家。 自然語言處理是研究處理語音和文本數據的計算方法。 > 目標:計算機處理或“理解”自然語言以執行有用的任務 自 20 世紀 90 年代以來,該領域一直專注于統計方法。最近,該領域正在轉向深度學習方法,因為它們提供了明顯改進的功能。 本課程的重點是用深度學習方法教授統計自然語言處理。從網站上的課程描述: > 最近,深度學習方法在許多不同的 NLP 任務中獲得了非常高的表現。這些模型通常可以使用單個端到端模型進行訓練,而不需要傳統的,針對任務的特征工程。 ![Reasons for Exploring Deep Learning, from the Stanford Deep Learning for NLP course](img/d1d51794b031ea6872e8e23ed3ab7056.jpg) 從斯坦福深度學習 NLP 課程探索深度學習的原因 課程目標 * 了解和使用有效的現代方法進行深度學習的能力 * 對人類語言的一些全局了解以及理解和產生它們的困難 * 了解和建立 NLP 中一些主要問題的系統的能力 ![Goals of the Stanford Deep Learning for NLP Course](img/6dea3fa93089e7a1b9bcee6f089d52f8.jpg) 斯坦福深度學習 NLP 課程的目標 本課程在斯坦福大學講授,雖然課程中使用的講座已被記錄并公布,我們將專注于這些免費提供的材料。 ## 先決條件 該課程假設一些數學和編程技巧。 然而,如果必要的技能生銹,則提供進修材料。 特別: * 大學微積分 * [線性代數綜述](http://cs229.stanford.edu/section/cs229-linalg.pdf) * 統計與概率 * [概率審查](http://cs229.stanford.edu/section/cs229-prob.pdf) * 機器學習 * [凸優化評論](http://cs229.stanford.edu/section/cs229-cvxopt.pdf) * [隨機梯度下降評論](http://cs231n.github.io/optimization-1/) * Python 編程 * [Python 評論](http://cs231n.github.io/python-numpy-tutorial/) 代碼示例在 Python 中,并使用 [NumPy](http://www.numpy.org/) 和 [TensorFlow](https://www.tensorflow.org/) Python 庫。 ## 講座 每次講授課程時,講座和材料似乎都會有所改變。考慮到事情正在改變領域的速度,這并不奇怪。 在這里,我們將看一下 [CS224n 2017 年冬季課程大綱](http://web.stanford.edu/class/cs224n/syllabus.html)以及公開發表的講座。 我建議觀看講座的 [YouTube 視頻](https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6),并僅在需要時訪問幻燈片,論文和進一步閱讀課程提綱。 該課程分為以下 18 個講座和一個評論: * 第 1 講:深度學習的自然語言處理 * 第 2 講:單詞向量表示:word2vec * 第 3 講:GloVe:Word 表示的全局向量 * 第 4 講:詞窗分類和神經網絡 * 第 5 講:反向傳播和項目建議 * 第 6 講:依賴性解析 * 第 7 講:TensorFlow 簡介 * 第 8 講:循環神經網絡和語言模型 * 第 9 講:機器翻譯和高級復現 LSTM 和 GRU * 審查會議:中期審查 * 第 10 講:神經機器翻譯和注意模型 * 第 11 講:門控復發單元和 NMT 的其他主題 * 第 12 講:語音處理的端到端模型 * 第 13 講:卷積神經網絡 * 第 14 講:樹循環神經網絡和選區解析 * 第 15 講:共同決議 * 第 16 講:用于問答的動態神經網絡 * 第 17 講:NLP 中的問題和 NLP 的可能架構 * 第 18 講:解決 NLP 深度學習的局限性 我在 YouTube 上以雙倍播放速度觀看了所有內容,并在記筆記時打開了幻燈片。 ## 項目 預計該課程的學生將完成作業。 您可能希望自己完成評估,以便通過講座來測試您的知識。 你可以在這里看到作業: [CS224n 作業](http://web.stanford.edu/class/cs224n/assignments) 重要的是,學生必須使用深度學習自然語言處理問題提交最終項目報告。 如果您正在尋找如何測試新發現技能的想法,這些項目可以很有趣。 提交的學生報告目錄可在此處獲得: * [2015 學生項目報告](http://cs224d.stanford.edu/reports_2015.html) * [2016 學生項目報告](http://cs224d.stanford.edu/reports_2016.html) 如果您發現了一些很棒的報告,請在評論中發布您的發現。 ## 如何最好地使用這種材料 本課程專為學生設計,目的是教授足夠的 NLP 和深度學習理論,讓學生開始開發自己的方法。 這可能不是你的目標。 您可能是開發人員。您可能只對使用 NLP 問題的深度學習工具感興趣,以獲得當前項目的結果。 事實上,這是我的大多數讀者的情況。如果這聽起來像你,我會提醒你在處理材料時要非常小心。 * **跳過數學**。不要關注方法的工作原理。相反,請關注方法如何工作的摘要,并跳過方程的大部分。您可以隨時回來加深理解,以獲得更好的結果。 * **專注于流程**。從講座中學習,并將您可以在自己的項目中使用的過程組合在一起。這些方法是分段教授的,關于如何將它們實際聯系在一起的信息很少。 * **工具不變量**。我不建議您自己編寫方法,甚至不建議使用講座中演示的 TensorFlow。學習原理并使用像 Keras 這樣的高效工具來實際實現項目中的方法。 對于從業者來說,這種材料中有很多金幣,但你必須保持智慧,而不是落入“_ 我必須了解所有 _”陷阱。作為一名從業者,你的目標是非常不同的,你必須無情地堅持目標。 ## 進一步閱讀 如果您要深入了解,本節將提供有關該主題的更多資源。 * [CS224d:自然語言處理的深度學習](http://cs224d.stanford.edu/index.html) * [CS224n:深度學習的自然語言處理](http://web.stanford.edu/class/cs224n/) * [CS224n 教學大綱(2017 年冬季)](http://web.stanford.edu/class/cs224n/syllabus.html) * [CS224n 視頻講座(2017 年冬季)](https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6) * [CS22d Sub-Reddit](https://www.reddit.com/r/CS224d/) * CS224d 學生項目報告( [2015](http://cs224d.stanford.edu/reports_2015.html) , [2016](http://cs224d.stanford.edu/reports_2016.html) ) * [CS224n 分配](http://web.stanford.edu/class/cs224n/assignments) ### 較舊的相關材料 * [CS 224N / Ling 284 - 自然語言處理](https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1162/) * [2015 CS224d 講座](https://www.youtube.com/playlist?list=PLmImxx8Char8dxWB9LRqdpCTmewaml96q)(2016 年新講座棄用) * [2016 CS224D 講座視頻](https://www.youtube.com/playlist?list=PLmImxx8Char9Ig0ZHSyTqGsdhb9weEGam) * [深度學習自然語言處理(無魔法)2013](https://nlp.stanford.edu/courses/NAACL2013/) ## 摘要 在這篇文章中,您發現了斯坦福自然語言處理深度學習課程。 具體來說,你學到了: * 本課程的目標和先決條件。 * 課程講座細分以及如何訪問幻燈片,筆記和視頻。 * 如何充分利用這種材料。 您是否完成了部分或全部課程材料? 請在下面的評論中告訴我。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看