自然语言处理 · 课程规划

🍁 2025版 🍁

📌 课程定位

🔎 前置要求

• 了解基本的 Python 语法
• 可以回想起基本的数学概念
• 了解一些基本的深度学习概念

🔎 课程收益

• 顺应时代，入行人工智能这个崭新的领域，能够独立开发自然语言处理项目
• 夯实自然语言处理基础，为将来深入其它领域（大模型等）做好算法准备

📌 课程大纲

🔎 模块1：开发环境搭建

• 通过 Python 解释器安装环境

  1. https://www.python.org/
  2. pip install jupyterlab -U
  3. pip install numpy pandas matplotlib scikit-learn -U
  4. pip install torch -U
  5. pip install jieba -U
  

• 通过 Anaconda 安装环境

  1. https://www.anaconda.com/
  2. pip install jupyterlab -U
  3. pip install numpy pandas matplotlib scikit-learn -U
  4. pip install torch -U
  5. pip install jieba -U
  

• 安装 VS Code 编辑器

  1. https://code.visualstudio.com/
  2. Python 扩展
  3. Markdown 扩展
  4. 通义灵码 扩展
  

🔎 模块2：自然语言及其特点

• 自然语言（本意）：汉语，英语，日语 ...
• 自然语言（拓展）：语言，语音，公式，代码 ...
• 时序数据: 特征和顺序都很重要

🔎 模块3：自然语言处理的两大方向

• 自然语言理解: Natural Language Understanding
• 自然语言生成: Natural Language Generation

🔎 模块4：自然语言处理的流程

• 文本分词
• 向量化
• 抽取时序特征
• 具体任务
• 结果解析

🔎 模块5：循环神经网络 RNN

• Embedding: 词向量，核心API，输入张量，输出张量
• Simple RNN: 基本RNN，核心API，输入张量，输出张量
• LSTM: Long Short Term Memory 长短期记忆网络，核心API，输入张量，输出张量
• GRU: Gated Recurrent Unit 门控循环神经网络，核心API，输入张量，输出张量

🔎 模块6：TextRNN 文本分类算法

• 基于 Simple RNN 的文本分类算法
• 基于 LSTM 的文本分类算法
• 基于 GRU 的文本分类算法

🔎 模块7：文本分类算法实战（情感识别）

• 文本读取
• 文本分词：jieba
• 构建字典
• 批量化打包
• 模型搭建
• 模型训练
• 模型评估
• 模型预测

🔎 模块8：Seq2Seq 文本生成算法

• Seq2Seq网络架构
• 编码器部分: encoder, RNN
• 中间表达: context, hidden state
• 解码器部分: decoder, RNN
• Seq2Seq推理流程: autoregressive, beam search
• Seq2Seq训练流程: teacher forcing

🔎 模块9：Seq2Seq算法实战（文本翻译）

• 文本读取
• 文本分词：jieba
• 构建字典
• 批量化打包
• 模型搭建
• 模型训练
• 模型评估
• 模型预测