关于NLP相关技术全部在这里：预训练模型、信息抽取、文本生成、知识图谱、对话系统...
我们正处在信息爆炸的时代、面对每天铺天盖地的网络资源和论文、很多时候我们面临的问题并不是缺资源，而是找准资源并高效学习。其次，即便网络上的资源非常多，学习是需要成本的，而且越有深度的内容越难找到好的学习资源。如果一门课程帮助你清晰地梳理知识体系，而且把有深度的知识点脉络讲清楚，这就是节省最大的成本。为了迎合大家学习的需求，我们这次重磅推出了《自然语言处理高阶研修》。
首先，全网不可能找得到另外一门系统性的训练营具备如此的深度和广度，这里包括国外的课程，所以从内容的角度来讲是非常稀缺的内容。
课程覆盖了从预训练模型、对话系统、信息抽取、知识图谱、文本生成所有必要的技术应用和学术前沿，30+项目案例帮助你在实战中学习成长。课程采用全程直播授课模式，博导级大咖全程辅导答疑、帮你告别疑难困惑。
适合什么样的人来参加呐？
从事AI行业多年，但技术上感觉不够深入，遇到了瓶颈；
停留在使用模型/工具上，很难基于业务场景来提出新的模型；
对于机器学习背后的优化理论、前沿的技术不够深入；
计划从事尖端的科研、研究工作、申请AI领域研究生、博士生；
打算进入顶尖的AI公司如Google，Facebook，Amazon， 阿里等；
读ICML，IJCAI等会议文章比较吃力，似懂非懂，无法把每个细节理解透。
如果对课程感兴趣，请联系
添加课程顾问小姐姐微信
报名、课程咨询
????????????
01 课程大纲
课程内容上做了大幅度的更新，课程采用全程直播授课模式。带你全面掌握自然语言处理技术，能够灵活应用在自己的工作中；深入理解前沿的技术，为后续的科研打下基础；快速掌握理解预训练技术、对话技术、生成技术以及知识图谱的常用技术；通过完成一系列课题，有可能成为一个创业项目或者转换成你的科研论文。
模块一 预训练模型
第一章：预训练模型基础
| 预训练模型基础、语言模型回顾
| N-gram、Neural语言模型回顾
| 预训练方法的发展历程
| 预训练和transfer learning
| Pre-BERT时代的transfer learning
| word2vec，transfer learning in NER
| Post-BERT时代的transfer learning
| Pre-train fine-tune范式
第二章：ELmo与BERT
| Elmo、Transformer、BERT
| 更强的BERT：RoBERTa
| 基于Elmo和BERT的NLP下游任务
| Huggingface Transformers库介绍
| 构建基于BERT的情感分类器
第三章: GPT系列模型
| GPT、GPT2、GPT3
| 基于GPT的fine-tuning
| 基于GPT的Zero-shot learning
| 基于GPT模型的文本生成实战
| Top-k + Top-p 采样
| 基于给定Prompt生成续写文本
第四章: Transformer-XL与XLNet
| 处理长文本
| Transformer-XL
| 相对位置编码
| Permutation Language Model
| Two-stream attention
| XLNet
| 更进阶的预训练任务：MPNet
第五章：其他前沿的预训练模型
| 考虑知识的预训练模型：ERINE
| 对话预训练模型：PLATO2, DialoGPT
| SpanBERT
| MASS，UniLM
| BART，T5
| 实现基于T5的文本分类模型
第六章: 低计算量下模型微调和对比学习
| 低计算量情况下的预训练模型微调
| Adapter-based fine-tuning，
| Prompt-search，P-tuning
| 基于对比学习的预训练
| 对比学习目标：Triplet Loss，InfoNCE Loss
| 对比学习在NLP中的前沿应用：SimCSE
第七章：多模态预训练和挑战
| 多模态预训练模型
| 多模态匹配模型：CLIP，文澜
| VQ-VAE
| 多模态生成模型：DALLE，CogView
| 预训练模型面临的挑战及其前沿进展
| 模型并行带来的挑战
| 对于Transformer的改进：Reformer
模块二 对话系统
第一章：对话系统综述
| 对话系统发展历程
| 对话系统的主要应用场景
| 常见的对话系统类别以及采用的技术
| 对话系统前沿的技术介绍
| 基础：语言模型
| 基础：基于神经网络的语言模型
第二章：对话系统综述
| 任务型对话系统的总体架构
| 案例：订票系统的搭建
| 自然语言理解模块简介
| 对话管理模块技术
| 对话生成模型技术
| 基于神经网络的文本分类和序列标注
第三章：自然语言处理理解模块
| 自然语言理解模块面临的挑战
| NLU模型中意图和槽位的联合识别
| 考虑长上下文的NLU
| NLU中的OOD检测
| NLU模型的可扩展性和少样本学习
| 少样本学习方法介绍
| 孪生网络、匹配网络、原型网络
第四章：对话管理和对话生成
| 对话状态追踪
| 对话策略详解
| POMDP技术
| 对话管理的最新研究进展
| 基于RL的对话管理
| 对话生成技术
| 端到端的对话系统
| 基于预训练模型的DST
第五章：闲聊对话系统
| 闲聊对话系统基础技术
| 基于检索的闲聊对话系统
| 基于生成的闲聊对话系统
| 融合检索和生成的闲聊对话系统
| Protoype rewriting, Retrieval augmented generation
| 闲聊对话系统的主要应用场景
| 闲聊对话系统技术所面临的主要挑战
| FAQ系统实战，实现一个自己的FAQ系统
| 基于RNN/Transformer/BERT的文本匹配模型
第六章：对话系统进阶
| 情感/共情对话系统
| 生成带情绪的回复
| 个性化对话生成
| 生成符合特定个性人设的回复
| 风格化对话生成
| 对话回复的多样性
| Label Smoothing, Adaptive label smoothing
| Top-K Sampling, Nuclear Sampling
| Non-autoregressive 算法在生成模型中的应用
| 基于Transformer的对话生成模型
| TransferTransfo
第七章：开源对话系统架构RASA详解
| RASA的主要架构
| 基于RASA搭建自己的对话系统
| 多模态对话、VQA
| 考虑图像模态的对话回复检索和生成
| 基于预训练模型的对话系统
| 基于GPT模型的对话模型
| Meena，PLA
模块三 信息抽取&知识图谱
第一章：知识图谱与图数据模型
| 知识图谱：搜索引擎，数据整合，AI
| 实体抽取、关系抽取、词向量
| graph embedding
| 图数据模型：RDF, Cyper
| 结构化数据的关系抽取
| 介绍关系抽取的基本方法
| 介绍结构化数据的信息过滤
第二章：知识图谱的设计
| RDF和Property graph的设计
| 创建KG：数据处理、文本和图像
| 推断用到的基本方法
| Path detection
| Centrality and community Detection
| 图结构嵌入方法
| 重要性的基本方法：node，edge
第三章：关系抽取和预测
| Hand-built patterns
| Bootstrapping methods
| Supervised methods
| Distant supervision
| Unsupervised methods
| 实体识别的基本方法
第四章：低资源信息抽取和推断
| Low-resource NER
| Low-resource structured models
| Learning multi-lingual Embeddings
| Deepath
| DIVA
| Generic Statistical Relational Entity Resolution in Knowledge Graphs
第五章：结构化预测模型
| Sequence labeling
| 结构化数据类别：Dependency，constituency
| Stack LSTM
| Stack RNNS
| Tree-structure LSTM
第六章：图挖掘的热门应用
| 基本图概念
| Link Prediction
| Recommendation system
| Anomaly detection
| Gated Graph Sequence Neural Networks
模块四 文本生成
第一章：Seq2Seq模型与机器翻译
| Seq2seq 模型与机器翻译任务
| 机器翻译中未登录词UNK与subword
| 文本生成coverage
| length normalization
| 低资源语言生成
| 多任务学习
| Tearch Force Model
第二章：文本摘要生成（1）
| 摘要生成技术类别
| 生成式摘要生成技术
| 抽取式摘要生成技术
| 基于CNN的文本生成
| 基于RNN的文本生成
第三章：文本摘要生成（2）
| Pointer Network 及其应用
| CopyNet 于工业界的落地
| Length Normalization
| Coverage Normalization
| Text summarization 前沿研究
第四章：Creative Writing
| 可控性文本生成
| Story Telling 与预先训练GPT
| 诗词，歌词，藏头诗等文本生成
| 创作性文本生成技巧
第五章：多模态文本生成
| ResNet
| Inception 等预训练图片特征抽取模型
| Image Caption 及其应用
| Table2text
| 图神经网络与文本生成
第六章：对抗式文本生成与NL2sql
| 对抗生成网络 GAN模型
| 强化学习基础
| 基于 Policy Gradient 的强化学习
| SeqGAN
| NL2sql ：自然语言转SQL
02 部分案例和项目
学员可以选择每个模块完成我们提供的固定项目（以个人为单位），或者以小组为单位完成一个开放式项目（capstone），当然你也可以提出你自己的项目。从项目的立项、中期验收到最终答辩，在这个过程中我们的导师团队会给你建议、并辅助你完成课题， 该课题最终很有可能成为你的创业项目或科研论文！
如果对课程感兴趣，请联系
添加课程顾问小姐姐微信
报名、课程咨询
????????????
03 授课导师
郑老师：清华大学计算机系（计算机科学与人工智能研究部）博士后
美国劳伦斯伯克利国家实验室访问学者
主要从事自然语言处理，对话领域的先行研究与商业化
先后在ACL，EMNLP，AAAI，NeurIPS，TASLP，等国际会议及期刊上发表过10篇以上论文
杨老师：香港城市大学博士, UC Merced博士后，主要从事于机器学习，图卷积，图嵌入的研究。先后在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等国际顶会及期刊上发表过数篇论文。
04直播授课，现场推导演示
区别于劣质的PPT讲解，导师全程现场推导，让你在学习中有清晰的思路，深刻的理解算法模型背后推导的每个细节。更重要的是可以清晰地看到各种模型之间的关系！帮助你打通六脉！
▲源自：LDA模型讲解
▲源自：Convex Optimization 讲解
▲源自：Convergence Analysis 讲解
05 科学的课程安排
采用直播的授课方式，每周3-4次直播教学，包含核心理论课、实战课、复习巩固课以及论文讲解课。教学模式上也参考了美国顶级院校的教学体系。以下为其中一周的课程安排，供参考。
06 报名须知
1、本课程为收费教学。
2、本期招收学员名额有限。
3、品质保障！学习不满意，可在开课后7天内，无条件全额退款。
4、学习本课程需要具备一定的机器学习基础和Python编程基础。
●●●
如果对课程感兴趣，请联系
添加课程顾问小姐姐微信
报名、课程咨询
????????????
