104學習精靈

自然語言處理（Natural Language Processing，NLP）是計算機科學以及人工智慧的子領域，專注在如何讓計算機處理並分析大量（人類的）自然語言數據。 NLP常見的挑戰有語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成，是近幾年成長最迅速的AI應用。本課程將帶領學員了解NLP自然語言處理的任務與流程、中文自然語言處理及常見的文字編碼方式，並透過深度學習演算法與進階語言模型實作，進而實現AI主題專案：Telegram飯店業問答系統。課程搭配軟體套件使用，兼具理論與實作面向，讓你對NLP有完整的概念。 推薦系統應用將會介紹常見的推薦系統應用(產品/平台)，再以深入淺出的方式，說明推薦系統的經典演算法，以直觀的方式理解這些演算法的原理。 學習目標 1.了解NLP自然語言處理任務與流程，熟悉相關演算法。 2.學習NLP自然語言處理任務的文字探勘、句法分析、文本分類、資訊提取等。 3.了解深度學習RNN、LSTM、GRU、BERT模型的原理與運用方法。 4.瞭解問答系統(Question Answering System)之開發流程與要領。 5.了解推薦系統應用與推薦系統的經典演算法。 6.學會使用Tensorflow/Keras進行深層神經網路(DNN)實作 7.了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping,… 課程大綱 NLP自然語言處理與問答系統 1.自然語言處理(N-gram) -資訊提取、句法分析、機器翻譯、問答系統等 資料來源 NLP自然語言處理 2.中文自然語言處理（jieba斷詞、停用詞） 3.編碼方式 -Bag of Words -TF-IDF -Word2Vec 4.深度學習模型 -RNN/LSTM -SEQ2SEQ+attention -HuggingFace BERT using tensorflow -HuggingFace BERT using pytorch 5.實例 -文章評論情緒分類 -中英文文字生成 -文字描述預測商品價格 6.專案: 在Telegram上建立Q&A問答系統 Telegram上建立Q&A問答系統 推薦系統 推薦系統的原理說明與實作練習 - 基於內容的的推薦 (Content-based Recommendation) - 基於用戶的協同過濾((User-Based Collaborative Filtering) - 基於物品的協同過濾 (Item-Based Collaborative Filtering) - 矩陣分解 (Matrix Factorization) - 實作練習：以iMDB電影推薦為例