我們羅列了一些常見(jiàn)的大廠NLP項(xiàng)目深度考察問(wèn)題：

• BERT模型太大了，而且效果發(fā)現(xiàn)不那么好比如next sentence prediction, 怎么辦,？
  

• 文本生成評(píng)估指標(biāo),，BLUE的缺點(diǎn)

• loss設(shè)計(jì) triplet loss和交叉熵loss各自的優(yōu)缺點(diǎn)，怎么選擇

• attention機(jī)制

• ernie模型

• 介紹一下flat及對(duì)于嵌套式語(yǔ)料的融合方式

• 為什么使用lightGBM,，比起xgboost的優(yōu)點(diǎn)是什么

• 樣本不均衡問(wèn)題的解決辦法有哪些,？具體項(xiàng)目中怎么做的？

• 長(zhǎng)文本的處理

• 引入詞向量的相似性對(duì)于結(jié)果有什么不好的影響

• 如何引入知識(shí)圖譜

• 詞向量中很稀疏和出現(xiàn)未登錄詞,，如何處理

• kmeans的k怎么選擇

• 新詞發(fā)現(xiàn)怎么做

• 模型選取,、數(shù)據(jù)增強(qiáng)

• 從數(shù)據(jù)標(biāo)注的制定標(biāo)準(zhǔn)，到選取模型,，再到改進(jìn)模型,、錯(cuò)誤分析

• NER數(shù)據(jù)中沒(méi)有實(shí)體標(biāo)注的句子過(guò)多解決方式

• 同一句話兩個(gè)一樣字符串如何消岐

• 模型好壞的評(píng)估,如何衡量模型的性能
  

• 方面級(jí)情感分析的模型結(jié)構(gòu)

• 模型學(xué)習(xí)中，正負(fù)樣本的訓(xùn)練方式不同有什么影響

• 減輕特征工程的手段

你如果是一位面試候選人,，上述問(wèn)題你會(huì)“倒”在哪一關(guān),？

“實(shí)踐出真知”，只有動(dòng)手實(shí)踐具體的項(xiàng)目,，以解決問(wèn)題為導(dǎo)向,，在項(xiàng)目中理解技術(shù)本身，才能得到更深層次的理解,。

你也許會(huì)在網(wǎng)絡(luò)中找到很多資源和論文,、但我們面臨的問(wèn)題并不是缺資源，而是找準(zhǔn)資源并高效學(xué)習(xí),。很多時(shí)候你會(huì)發(fā)現(xiàn),，花費(fèi)大量的時(shí)間在零零散散的內(nèi)容上，但最后發(fā)現(xiàn)效率極低,，浪費(fèi)了很多寶貴的時(shí)間,。

為了給初學(xué)者創(chuàng)造項(xiàng)目實(shí)踐的需求，我們向你推薦業(yè)界口碑俱佳的“NLP工程師培養(yǎng)計(jì)劃”的《自然語(yǔ)言處理項(xiàng)目集訓(xùn)營(yíng)》第22期,。

實(shí)踐項(xiàng)目介紹

本課程以實(shí)?為原則,，通過(guò)10個(gè)產(chǎn)業(yè)級(jí)應(yīng)用項(xiàng)目,，知識(shí)覆蓋了預(yù)訓(xùn)練、詞法分析,、信息抽取等基礎(chǔ)知識(shí),，情感分析、知識(shí)圖譜與智能問(wèn)答,、機(jī)器翻譯,、對(duì)話、文本自動(dòng)生成等NLP應(yīng)?技術(shù)和系統(tǒng),，掌握產(chǎn)業(yè)實(shí)踐中的模型部署等,。

本課程將帶你全面掌握自然語(yǔ)言處理技術(shù)，以期更好地幫助各位同學(xué)學(xué)以致用,。通過(guò)完成一系列項(xiàng)目課題任務(wù),，也有可能成為一個(gè)創(chuàng)業(yè)項(xiàng)目或者幫助你完成一次重要的技術(shù)轉(zhuǎn)型。

項(xiàng)目學(xué)習(xí)目標(biāo)：

項(xiàng)目學(xué)習(xí)重點(diǎn)：

• l  數(shù)據(jù)清洗,、分詞、數(shù)據(jù)降噪

• l  機(jī)器學(xué)習(xí)：TF-IDF/CounterVector

• l  深度學(xué)習(xí)：Word2vec,、Word Embedding,、ELMo

• l  機(jī)器學(xué)習(xí)：樸素貝葉斯/SVM

• l  深度學(xué)習(xí)：TextCNN/TextRNN

項(xiàng)目學(xué)習(xí)目標(biāo)：

項(xiàng)目學(xué)習(xí)重點(diǎn)：

• l  Jieba中文分詞處理

• l  詞頻統(tǒng)計(jì)Wordcloud構(gòu)建詞云

• l  TF-IDF/TextRank關(guān)鍵詞提取

• l  LDA主題模型建模

• l  中文分類機(jī)器學(xué)習(xí)模型

• l  Spark：使用pyspark解決分類問(wèn)題

• l  TextRNN、TextCNN,、FastText

• l  TextBiRNN,、TextRCNN、TextAttBiLSTM

• l  深度學(xué)習(xí)文本分類HAN實(shí)戰(zhàn)

• l  Tensorflow深度學(xué)習(xí)文本分類模型部署

可求職崗位：

《自然語(yǔ)言處理項(xiàng)目集訓(xùn)營(yíng)》第22期

 ? 智能客服  ? 知識(shí)圖譜  ? 文本生成

 ? 文本分類  ? 情感分析  ? 金融法律

10大項(xiàng)目,，助你成長(zhǎng)為優(yōu)秀的NLP工程師

項(xiàng)目學(xué)習(xí)目標(biāo)：

學(xué)習(xí)NLP在用戶情感分析應(yīng)用中的解決方案，具體掌握：文本讀取與清洗,、關(guān)鍵詞抽取(TF-IDF,、TextRank)、中文分詞,、文本表示(Word2vec,、Word Embedding,、ELMo)、機(jī)器學(xué)習(xí)建模(LR,、SVM,、樸素貝葉斯、Fast Text),、深度學(xué)習(xí)建模(TextCNN,、TextRNN、Aattention Model)

情感分析常應(yīng)用于電商數(shù)據(jù)分析,、市場(chǎng)分析,、選舉預(yù)測(cè)、消費(fèi)分析以及可視化分析等領(lǐng)域

項(xiàng)目學(xué)習(xí)重點(diǎn)：

• l  自定義ELMo網(wǎng)絡(luò)結(jié)構(gòu)完成分類

• l  Bert模型訓(xùn)練

• l  Tensorflow serveringinxing部署

• l  TextCNN,、Tide&textCNN以及Textdensenet模型融合

• l  Fast Text,、TextCNN、TextRCNN,、TextRNN模型融合

• l  采用機(jī)器學(xué)習(xí)stacking方式：

可求職崗位：

項(xiàng)目學(xué)習(xí)目標(biāo)：

    以不同場(chǎng)景的文本生成(詩(shī)詞小說(shuō)文本生成,、對(duì)聯(lián)生成、摘要生成等)為例,，學(xué)習(xí)文本讀取與清洗,、語(yǔ)言模型、seq2seq模型,、注意力機(jī)制,、自注意力機(jī)制與Transformer在文本生成中的作用。

項(xiàng)目學(xué)習(xí)重點(diǎn)：

    Part1：詩(shī)歌生成

• l  使用Tensorflow框架,，自定義LSTM網(wǎng)絡(luò)結(jié)構(gòu)

• l  谷歌開(kāi)源,、自定義seq2seq模型

• l  雙向RNN， Attention注意力機(jī)制的解碼器

可求職崗位：

項(xiàng)目學(xué)習(xí)目標(biāo)：

項(xiàng)目學(xué)習(xí)重點(diǎn)：

• l  查看并清洗掉無(wú)關(guān)數(shù)據(jù)

• l  理解數(shù)據(jù)與任務(wù)之間的聯(lián)系

• l  選擇合適的機(jī)器學(xué)習(xí)算法進(jìn)行建模

• l  定義baseline模型、深度學(xué)習(xí)模型訓(xùn)練

• l  添加人工特征進(jìn)行最終優(yōu)化

• l  復(fù)盤(pán)整個(gè)項(xiàng)目

可求職崗位：

項(xiàng)目學(xué)習(xí)目標(biāo)：

項(xiàng)目學(xué)習(xí)重點(diǎn)：

    Part1：智能問(wèn)答系統(tǒng)構(gòu)建

• l  Jieba分詞

• l  Mysql數(shù)據(jù)庫(kù)存儲(chǔ)

• l  TF-IDF檢索模型

• l  使用Doc2Vec模型進(jìn)行問(wèn)題匹配

• l  深度語(yǔ)義匹配模型：DSSM,、CDSSM,、MV-DSSM

• l  單語(yǔ)義文檔表達(dá)的深度學(xué)習(xí)模型ARC-I

• l  多語(yǔ)義文檔表達(dá)的深度學(xué)習(xí)模型MV-LSTM

• l  交互的文本相似度模型k-nrm

可求職崗位：

《自然語(yǔ)言處理項(xiàng)目集訓(xùn)營(yíng)》第22期

 ? 智能客服  ? 知識(shí)圖譜  ? 文本生成

 ? 文本分類  ? 情感分析  ? 金融法律

10大項(xiàng)目,，助你成長(zhǎng)為優(yōu)秀的NLP工程師

項(xiàng)目學(xué)習(xí)目標(biāo)：

深度學(xué)習(xí)領(lǐng)域中端到端方式構(gòu)建并改進(jìn)的一系列NLP新模型應(yīng)用，如Transformer,、Bert,、ELECTRA等模型結(jié)合各大比賽案例進(jìn)行講解如何應(yīng)用這些模型解決典型的分類任務(wù)、句對(duì)建模任務(wù),、知識(shí)抽取任務(wù)等,。具體落地應(yīng)用場(chǎng)景一般有海量文本去重、推薦系統(tǒng)等,。

項(xiàng)目學(xué)習(xí)重點(diǎn)：

    Part1：經(jīng)典深度學(xué)習(xí)NLP建模

•     l  句子相似度判定Siamese Network

•     l  從神經(jīng)語(yǔ)言模型到預(yù)訓(xùn)練語(yǔ)言模型發(fā)展史

•     l  基于Transformer的文本分類

•     l  Bert及其變種在情感分析中的應(yīng)用

•     l  新型模型ELECTRA及知識(shí)抽取案例講解

可求職崗位：

    深度學(xué)習(xí)算法工程師,、NLP算法工程師

項(xiàng)目學(xué)習(xí)目標(biāo)：

以NLP中最重要的語(yǔ)義匹配建模為學(xué)習(xí)任務(wù)，結(jié)合通用場(chǎng)景,、金融領(lǐng)域場(chǎng)景,、醫(yī)療領(lǐng)域場(chǎng)景，講解深度學(xué)習(xí)的各種模型在文本語(yǔ)義匹配建模任務(wù)中的解決方案,。并結(jié)合場(chǎng)景數(shù)據(jù)講解在金融與醫(yī)療的垂直NLP應(yīng)用領(lǐng)域（如智能客服）中對(duì)應(yīng)的模型應(yīng)用方法,。

項(xiàng)目學(xué)習(xí)重點(diǎn)：

•     l  文本匹配問(wèn)題

•     l  問(wèn)答、對(duì)話與信息檢索NLP核心技術(shù)

•     l  文本語(yǔ)義匹配場(chǎng)景：金融問(wèn)答,、閑聊,、客服、問(wèn)診等

•     l  fancy-nlp,、bert4keras工具庫(kù)

•     l  語(yǔ)義相似度建模場(chǎng)景數(shù)據(jù)格式介紹

•     l  孿生網(wǎng)絡(luò)結(jié)構(gòu)分析與網(wǎng)絡(luò)搭建

•     l  孿生網(wǎng)絡(luò)相似度建模解決方案

• 預(yù)處理、數(shù)據(jù)預(yù)處理與分析,、數(shù)據(jù)增強(qiáng)

• Word2vec,、Word-embedding構(gòu)建

• 語(yǔ)義抽取子網(wǎng)絡(luò)搭建

• 孿生雙塔結(jié)構(gòu)搭建、不同損失函數(shù)構(gòu)建

• 模型訓(xùn)練與優(yōu)化,、語(yǔ)義相似度度量與預(yù)估

•     l  BERT句對(duì)建模網(wǎng)絡(luò)搭建與解決方案

•     l  平安醫(yī)療,、支付寶/微信的金融語(yǔ)義匹配建模

• 預(yù)處理,、數(shù)據(jù)預(yù)處理與分析、數(shù)據(jù)增強(qiáng)

• NLP特征與業(yè)務(wù)文本特征

• SiameseCNN,、SiameseRNN模型搭建

• Albert,、SiameseBert句對(duì)建模方案與應(yīng)用

可求職崗位：

項(xiàng)目學(xué)習(xí)目標(biāo)：

項(xiàng)目學(xué)習(xí)重點(diǎn)：

•     l  基于規(guī)則,、特征模板,、神經(jīng)網(wǎng)絡(luò)的NER方法

•     l  基于字的BiLSTM-CRF模型

•     l  TextCNN

•     l  PCNN抽取

• 結(jié)合Multi-Instance Learning

• 結(jié)合Sentence-Level Attention

•     l  TextCNN+Position Enbedding

•     l  深度學(xué)習(xí)端到端的NER及關(guān)系抽取

•     l  BiLSTM+CRF，Tree-LSTM

•     l  基于N-gram的匹配

•     l  Mysql進(jìn)行標(biāo)注,，neo4j進(jìn)行全量查詢,，

•     l  Odps做持久化數(shù)據(jù)版本管理

面向崗位：

項(xiàng)目學(xué)習(xí)目標(biāo)：

本項(xiàng)目學(xué)習(xí)知識(shí)圖譜構(gòu)建與應(yīng)用全過(guò)程,，包括數(shù)據(jù)采集、知識(shí)存儲(chǔ),、知識(shí)抽取,、知識(shí)計(jì)算、知識(shí)應(yīng)用,，還基于知識(shí)圖譜構(gòu)建了交互問(wèn)答系統(tǒng),。整個(gè)過(guò)程使用到了多種NLP技術(shù)，從文本數(shù)據(jù)抽取與清洗,、命名實(shí)體識(shí)別到用戶意圖識(shí)別,，到實(shí)體關(guān)系抽取的系列模型，到問(wèn)答與匹配技術(shù),，以及neo4j工具的使用和圖挖掘的一些算法,。

項(xiàng)目學(xué)習(xí)重點(diǎn)：

• l  項(xiàng)目背景與項(xiàng)目?jī)?nèi)容

• l  數(shù)據(jù)采集與信息抽取

• l  實(shí)體提取、實(shí)體關(guān)系抽取

• l  neo4j工具與圖數(shù)據(jù)庫(kù)進(jìn)行圖計(jì)算

• l  基于RDF三元組數(shù)據(jù)庫(kù)Apache Jena進(jìn)行知識(shí)存儲(chǔ)

• l  Cypher語(yǔ)法與查詢語(yǔ)句知識(shí)

• l  數(shù)值,、類別,、時(shí)序特征構(gòu)建與特征選擇

• l  圖挖掘與圖譜知識(shí)挖掘

• l  Pyhanlp進(jìn)行分詞與實(shí)體識(shí)別

• l  Feedforward-network意圖識(shí)別

• l  TextCNN/TextRNN/TextRCNN意圖識(shí)別

• l  使用字典形式進(jìn)行槽填充（slot filling）

• l  網(wǎng)絡(luò)分析與路徑查詢

• l  圖計(jì)算與社區(qū)發(fā)現(xiàn)

• l  知識(shí)圖譜交互與可視化

• l  實(shí)體與關(guān)系查詢功能頁(yè)面實(shí)現(xiàn)

• l  基于圖譜的問(wèn)答系統(tǒng)實(shí)現(xiàn)

面向崗位：

《自然語(yǔ)言處理項(xiàng)目集訓(xùn)營(yíng)》第22期

 ? 智能客服  ? 知識(shí)圖譜  ? 文本生成

 ? 文本分類  ? 情感分析  ? 金融法律

10大項(xiàng)目,，助你成長(zhǎng)為優(yōu)秀的NLP工程師

業(yè)界獨(dú)創(chuàng)的服務(wù)模式

• 尊享8對(duì)1的VIP服務(wù)
  每一位學(xué)員都會(huì)配置獨(dú)享服務(wù)群,，配置8位專屬服務(wù)老師全程陪伴
  包括:
• 2位工業(yè)專家講師、1位全職助教,、1位工業(yè)助教,、
• 2位就業(yè)指導(dǎo)老師、1位督學(xué)班主任,、1位課程顧問(wèn)
  
  

• 全天答疑,，保證有問(wèn)必答，作業(yè)1對(duì)1批改,，考試1對(duì)1批改

• 免費(fèi)提供GPU&CPU云平臺(tái)（GPU有額度免費(fèi)時(shí)長(zhǎng)）

• 作業(yè)和練習(xí)
  課程每個(gè)重要的知識(shí)點(diǎn)后都配置了對(duì)應(yīng)的作業(yè)和練習(xí),，作業(yè)會(huì)得到助教的1V1批改反饋

• 階段考試
  
  每個(gè)學(xué)習(xí)階段安排了考試，通過(guò)考核才能進(jìn)入下一個(gè)階段,，對(duì)階段性學(xué)習(xí)效果達(dá)成自檢
  
  
  
  

• 課程直播和錄播相結(jié)合,，學(xué)員可以靈活安排學(xué)習(xí)計(jì)劃和進(jìn)度

學(xué)員收獲的offer

自本課程開(kāi)設(shè)以來(lái)，已經(jīng)有一大批畢業(yè)學(xué)員入職NLP領(lǐng)域的互聯(lián)網(wǎng)公司,、金融行業(yè),、科研院所、創(chuàng)業(yè)公司,，甚至越來(lái)越的的傳統(tǒng)行業(yè)也開(kāi)始注重AI技術(shù)的應(yīng)用如何在本行業(yè)中創(chuàng)造新的價(jià)值,。下面是一部分學(xué)員的offer情況：

《自然語(yǔ)言處理項(xiàng)目集訓(xùn)營(yíng)》第22期

 ? 智能客服  ? 知識(shí)圖譜  ? 文本生成

 ? 文本分類  ? 情感分析  ? 金融法律

10大項(xiàng)目,，助你成長(zhǎng)為優(yōu)秀的NLP工程師

適合什么樣的人,？

• 機(jī)器學(xué)習(xí)或深度學(xué)習(xí)領(lǐng)域自學(xué)一段時(shí)間，停留在使用模型/工具上,，有一定的算法理論基礎(chǔ),，但非常缺乏NLP項(xiàng)目經(jīng)驗(yàn)；  

• 有一定的編程經(jīng)驗(yàn),，想通過(guò)技術(shù)轉(zhuǎn)型進(jìn)入NLP算法領(lǐng)域求職的,，缺乏系統(tǒng)性學(xué)習(xí)；

• 非CS專業(yè)出身的本科或碩士生,，希望獲得算法崗實(shí)習(xí)或校招崗位的,，缺乏計(jì)算機(jī)編程經(jīng)驗(yàn)和算法理論知識(shí)學(xué)習(xí)

科學(xué)的課程進(jìn)度

為滿足不同基礎(chǔ)的學(xué)員可以循序漸進(jìn)的系統(tǒng)化學(xué)習(xí)，本課程可以根據(jù)學(xué)員自身的知識(shí)儲(chǔ)備條件,，選擇從哪個(gè)階段開(kāi)始學(xué)習(xí),。完整的課程安排可以滿足沒(méi)有編程經(jīng)驗(yàn)和算法基礎(chǔ)的學(xué)員通過(guò)5-6個(gè)月的高強(qiáng)度學(xué)習(xí)入門(mén)NLP技術(shù)。