一、課程介紹：
Python是數據分析最常用的語言之一，中文自然語言處理（簡稱NLP）是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。NLP是一門融語言學、機器學習、統(tǒng)計學、大數據以及人工智能等于一體的科學。本課程偏重實戰(zhàn)，不僅系統(tǒng)介紹了NLP涉及的知識點，同時也教會大家如何實際應用與開發(fā)。
本次培訓主要介紹NLP所需要了解的Python科學包、正則表達式以及檢索技術的知識。包括NLP相關的各個知識點：詞法分析技術、句法分析技術、常用的向量化方法，介紹機器學習的一些基本概念，重點突出NLP常用的分類算法、聚類算法，同時還分享了幾個案例。每個部分都有對應源數據和完整代碼，供實戰(zhàn)使用。
自然語言處理（NLP）屬于人工智能與計算機語言學的交叉領域，處理的是計算機與人類語言之間的交互問題。隨著人機交互需求的日益增長，計算機具備處理當前主要自然語言的能力已經成為了一個必然趨勢。
本培訓適合通信、金融、保險、制造、醫(yī)藥、教育科研、市場調研、連鎖零售和電子商務等行業(yè)的數據分析人員，通過本課程的學習，將對NLP與數據科學領域中的概念有一個充分的了解，并能將這些知識應用到日常工作中。

二、培訓對象
1.系統(tǒng)架構師、系統(tǒng)分析師、高級程序員、資深開發(fā)人員。
2.牽涉到網絡采集、處理和規(guī)劃的負責人、設計人員。
3.政府機關，金融保險、移動等以互聯(lián)網信息為數據來源單位的負責人。
4.高校、科研院所牽涉到人工智能與機器學習的項目負責人。

三、詳細培訓內容介紹

模塊一
NLP和深度學習發(fā)展概況和最新動態(tài)
1. NLP歷史現(xiàn)在及為什么需要學習NLP技術
2. NLP實現(xiàn)機器學習，聊天機器人，情感分析和語義搜索

模塊二
NLP與PYTHON編程
3. Python環(huán)境搭建及開發(fā)工具安裝
4. NLP常用PYTHON開發(fā)包的介紹
5. Jieba安裝、介紹及使用
6. Stanford NLP 在Python環(huán)境中安裝、介紹及使用
7. Hanlp 在Python環(huán)境中安裝、介紹及使用

模塊三
快速掌握NLP技術之分詞、詞性標注和關鍵字提取
08. 分詞、詞性標注及命名實體識別介紹及應用
09. 準確分詞之加載自定義字典分詞
10. 準確分詞之動態(tài)調整詞頻和字典
11. 詞性標注代碼實現(xiàn)及信息提取
12. 人名、地名、機構名等關鍵命名實體識別
13. TextRank算法原理介紹
14. 基于TextRank關鍵詞提取

模塊四
句法與文法
16. 依存句法與語義依存分析
17. 依存句法樹解析（子樹遍歷，遞歸搜索，葉子節(jié)點提取等）
18. 名詞短語塊挖掘
19. 自定義語法與CFG

模塊五
N-GRAM文本挖掘
20. N-GRAM算法介紹
21. N-GRAM生成詞語對
22. TF-IDF算法介紹應用
23. 基于TF-IDF挖掘符合語言規(guī)范的N-GRAM

模塊六
表示學習與關系嵌入
24. 語言模型
25. 詞向量
26. 深入理解Word2vec算法層次sofmax
27. 深入理解Word2vec算法負采樣
28. 6.4 基于Word2vec技術的詞向量、字向量訓練

模塊七
深度學習之卷積神經網絡
29. BP神經網絡
30. 徹底理解深度學習指卷積神經網絡
31. CNN文本分類
32. CNN文本分類算法模塊
33. CNN文本分類模型詳解數據預處理
34. CNN文本分類模型測試與部署

模塊八
深度學習之遞歸神經網絡
35. 遞歸網絡
36. LSTM
37. LSTM文本分類原理
38. LSTM文本分類代碼架構
39. LSTM文本分類代碼詳解
40. LSTM文本分類模型預測與部署

模塊九
特定領域命名實體識別NER技術
41. 基于深度學習醫(yī)藥保險命名實體識別課題背景介紹
42. 醫(yī)藥保險命名實體和實體關系體系建立和命名實體分類規(guī)范
43. 醫(yī)藥保險命名實體識別相關前沿技術和難點
44. 基于深度學習醫(yī)藥保險命名實體識別的算法模塊設計
45. 數據的采集，清洗，數據機器自動標注及轉化為深度學習格式
46. 模型本地Lib庫封裝
47. 部署tensorflow訓練好的模型為云服務
48. 算法設計及代碼實現(xiàn)
49. 代碼調試，參數優(yōu)化及深度剖析（深入理解）