资料目录：

├─01-自然语言处理基础知识与操作
│  ├─第一章自然语言处理基础
│  │      一章小结.mp4
│  │      一章概述.mp4
│  │      字符串基本处理与正则表达式文本匹配与替换.mp4
│  │      字符串处理.mp4
│  │      文本数据、字、词、term.mp4
│  │      模式匹配与正则表达式.mp4
│  │      
│  ├─第二章英文文本处理与解析
│  │      【实战】nltk工具库英文文本处理案例.mp4
│  │      【实战】spacy工具库英文文本处理案例.mp4
│  │      【实战】基于python的英文文本相似度比对.mp4
│  │      【实战】简易文本情感分析器构建.mp4
│  │      章小结.mp4
│  │      章概述.mp4
│  │      英文文本解析任务介绍：分词、去停用词、提取词干等.mp4
│  │      
│  └─第三章中文文本处理与解析
│         jieba工具库介绍.mp4
│         【实战】python中文文本清洗、处理与可视化.mp4
│         【实战】python新闻网站关键词抽取.mp4
│         中文文本处理任务介绍：分词、去停用词、ngram.mp4
│         中文文本解析任务介绍：词性分析、依赖分析等.mp4
│         章小结.mp4
│         章概述.mp4
│         
├─02-语言模型与应用
│  │  考核作业.zip
│  │  课件与代码.zip
│  │  
│  ├─第一章语言模型与应用
│  │      ngram应用：词性标注、中文分词、机器翻译与语音识别.mp4
│  │      ngram语言模型.mp4
│  │      假设性独立与联合概率链规则.mp4
│  │      章小结.mp4
│  │      章概述.mp4
│  │      
│  └─第二章统计语言模型与神经语言模型构建
│          【实战】kenlm工具库使用及语言模型生成.mp4
│          【实战】基于kenlm的简易拼写纠错.mp4
│          【实战】基于pytorch的语言模型训练.mp4
│          基于rnn的神经语言模型.mp4
│          基于统计的语言模型构建.mp4
│          章小结.mp4
│          章概述.mp4
│         
├─03-文本表示
│  │  考核作业.zip
│  │  
│  ├─第一章-文本词与句的表示
│  │      01章概述.mp4
│  │      02-文本表示概述.mp4
│  │      03-文本离散表示：词袋模型与tf-idf.mp4
│  │      04-文本分布式表示：word2vec.mp4
│  │      05-【实战】python中文文本向量化表示.mp4
│  │      06-【实战】基于gensim的中文文本词向量训练与相似度匹配.mp4
│  │      07章小结.mp4
│  │      
│  └─第二章-文本表示进阶
│          01章概述.mp4
│          02-预训练在图像领域的应用.mp4
│          03-elmo基于上下文的word embedding.mp4
│          04-gpt transformer建模句子信息.mp4
│          05-bert 预训练双向transformer.mp4
│          06-基于bert进行fine-tuning.mp4
│          07章小结.mp4
│         
├─04-文本分类
│  │  考核作业.zip
│  │  
│  ├─第一章-文本分类机器学习模型与实战
│  │      01章概述.mp4
│  │      02-朴素贝叶斯模型与中文文本分类.mp4
│  │      03-逻辑回归 _svm与文本分类.mp4
│  │      04-facebook fasttext原理与操作.mp4
│  │      05-【实战】python中文新闻分类.mp4
│  │      06-【实战】基于fasttext的文本情感分析.mp4
│  │      07章小结.mp4
│  │      
│  └─第二章-文本分类深度学习模型与实战
│          01章概述.mp4
│          02-词嵌入与fine-tuning.mp4
│          03-基于卷积神经网络的文本分类.mp4
│          04-基于lstm的文本分类.mp4
│          05-transformerself-attention介绍.mp4
│          06-使用tensorflow构建卷积神经网络完成新闻分类.mp4
│          07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4
│          08章小结.mp4
│         
├─05-文本主题抽取与表示
│  │  考核作业.zip
│  │  
│  └─第一章-文本主题抽取与表示
│          01章小结.mp4
│          02-基于tf-idf与text-rank的主题词抽取.mp4
│          03-监督学习与文本打标签.mp4
│          04-无监督学习与lda主题模型.mp4
│          05基于python的中文关键词抽取与可视化.mp4
│          06-基于lda的新闻主题分析与可视化呈现.mp4
│          07章小结.mp4
│         
├─06-序列到序列模型
│  │  考核作业.zip
│  │  
│  └─第一章-序列到序列模型与应用
│          01章概述.mp4
│          02-从rnn到seq2seq模型.mp4
│          03-编码解码模型.mp4
│          04-seq2seq模型详解.mp4
│          05-注意（attention）机制.mp4
│          06-tensorflow seq2seq模型使用方法详解.mp4
│          07-基于seq2seq的文本摘要生成实现.mp4
│          08章总结.mp4
│         
├─07-文本生成
│  │  考核作业.zip
│  │  
│  └─第一章-文本生成与自动创作
│          01章概述.mp4
│          02-基于rnn lstm的语言模型回顾.mp4
│          03-基于语言模型的文本生成原理.mp4
│          04-【实战】基于lstm的唐诗生成器.mp4
│          05-基于seq2seq的文本序列生成原理.mp4
│          06-【实战】基于seq2seq的对联生成器.mp4
│          07章小结.mp4
│         
├─08-机器翻译
│  └─第一章-机器翻译：双语翻译
│      ├─01-统计机器翻译
│      │      01章概述.mp4
│      │      02-词，句子和语料与基本概率论知识.mp4
│      │      03-翻译模型与语言模型.mp4
│      │      04-解码与beam-search.mp4
│      │      05-翻译系统评估.mp4
│      │      06-【实战】moses统计翻译系统实战.mp4
│      │      07章小结.mp4
│      │      
│      ├─02-基于seq2seq的机器翻译模型
│      │      01章概述.mp4
│      │      02-基础seq2seq编解码模型机器翻译应用.mp4
│      │      03-基于注意力机制的seq2seq机器翻译优化.mp4
│      │      04-【实战】基于keras完成的基础seq2seq机器翻译模型.mp4
│      │      05-【实战】基于tensorflow的google版seq2seq机器翻译模型.mp4
│      │      06章小结.mp4
│      │      
│      ├─03-fackbook基于CNN的机器翻译模型
│      │      01章概述.mp4
│      │      02-基于cnn的翻译系统模型结构.mp4
│      │      03-使用cnn完成神经翻译系统的tricks.mp4
│      │      04-facebook cnn机器翻译系统代码解析.mp4
│      │      05章小结.mp4
│      │      
│      └─04-来自Google的Transformer模型
│              01章概述.mp4
│              02-来自google的transformer模型.mp4
│              03-transformer模型的训练细节.mp4
│              04-【实战】transformer源码解析.mp4
│              05章小结.mp4
│              
├─09-聊天机器人
│  └─第一章-聊天机器人：机器客服与语音助手
│      ├─01-基于内容匹配的聊天机器人
│      │      01章概述.mp4
│      │      02-聊天机器人基本知识综述.mp4
│      │      03-基于内容匹配的聊天机器人.mp4
│      │      04-基于深度学习匹配的聊天机器人tensorflow实现.mp4
│      │      05-基于深度学习匹配的聊天机器人pytorch实现.mp4
│      │      06章小结.mp4
│      │      
│      └─02-基于seq2seq的聊天机器人
│              01章概述.mp4
│              02-聊天机器人场景与seq2seq模型回顾.mp4
│              03-数据准备与处理.mp4
│              04-基于tensorflow seq2seq的chatbot完整实现.mp4
│              05-拓展：基于transformer的chatbot实现.mp4
│              06章小结.mp4
│              
├─10-视觉文本任务：看图说话
│  ├─01-看图说话问题与实现
│  │      1.1 本章概述.mp4
│  │      1.2 “看图说话”问题介绍.mp4
│  │      1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4
│  │      1.4 注意力模型与“看图说话”优化.mp4
│  │      1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4
│  │      1.6 【实战】基于attention model的“看图说话”实现.mp4
│  │      1.7 本章小结.mp4
│  │      
│  └─02-视觉问答机器人(VQA)原理与实现
│          2.1 本章概述.mp4
│          2.2 视觉问答机器人问题介绍.mp4
│          2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4
│          2.4 基于注意力(attention)的深度学习vqa实现方案.mp4
│          2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4
│          2.6【实战】基于attention的深度学习vqa模型实现.mp4
│          2.7 本章小结.mp4
│         
└─11-文本相似度计算与文本匹配问题
    ├─01-文本相似度计算与文本匹配问题
    │      1.1 本章概述.mp4
    │      1.2 文本相似度问题与应用.mp4
    │      1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp4
    │      1.4 【实战】编辑距离计算python实现.mp4
    │      1.5 【实战】基于simhash的相似文本判断.mp4
    │      1.6 【实战】词向量word averaging.mp4
    │      1.7 本章小结.mp4
    │      第1章文本相似度问题与应用场景.pdf
    │      
    └─02-基于深度学习的文本语义匹配
            2.1 本章概述.mp4
            2.2 基于深度学习的句子相似度模型.mp4
            2.3 dssm（deep structured semantic models）模型详解.mp4
            2.4 drmm（deep relevance matching model）模型详解.mp4
            2.5【实战】基于lstm的监督学习语义表达抽取.mp4
            2.6【实战】基于dssm的问题语义相似度匹配案例.mp4
            2.7【实战】基于drmm的问答匹配案例.mp4
            2.8 本章小结.mp4
            第2章基于深度学习的文本语义匹配.pdf