AI深度學習問答系統實作
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
艾鍗學院
