自然语言处理动手学Bert文本分类视频教程，本套课程基于Pytorch最新1.4版本来实现利用Bert实现中文文本分类任务，延续动手学系列课程风格，全程手敲代码，跟着杨博一行一行代码撸起来。

系列课程包括深度学习中经典网络架构，结合计算机视觉与自然语言处理两大核心模块展开原理分析与项目实战。通俗讲解深度学习中两大经典网络架构CNN与RNN模型，结合当下最主流PyTorch框架进行实战演练，选择当下NLP与CV中经典项目与解决方案，全部基于真实数据集，结合项目源码展开网络架构分析与实例应用。课程风格通俗易懂，用最接地气的方式带领同学们进军Ai，提供全部课程所需数据与项目源码。

2022年最新版的同义词词库资源，数据两万多条，无重复，大部分手工整理，可作为同义词词典使用，可作seo伪原创，自媒体洗稿等使用。格式为：按照 依照。

语音与语言处理：自然语言处理、计算语言学和语音识别导论（英文版） 语音与语言处理Speech+and+Language+Processing.pdf

NLP 系统之家搭建教材

总结了文本分类中的常用算法，包括8种传统算法：k临近、决策树、多层感知器、朴素贝叶斯（包括伯努利贝叶斯、高斯贝叶斯和多项式贝叶斯）、逻辑回归和支持向量机概念及其实现代码

列出了人工智能与机器学习领域最新的研究方向，并且提供了一个网站，上面可以浏览到各个研究方向国外最新的论文。

者篇论文相当详细的描绘了自然语言处理在深度学习的基础上的研究情况，是很好的综述性质文章，可以借鉴借鉴

本届 EMNLP 大会涉及自然语言处理的各个领域，“机器学习”毫无悬念仍然成为重点，并且还首次单独出来自成一类（EMNLP 2015 时是“统计机器学习方法”）。大会覆盖的主题包括：计算心理语言；对话和交互系统；话语分析（Discourse Analysis）；文本生成（Generation）；信息抽取；信息检索与问答；语言与视觉；语言理论和资源；机器学习；机器翻译；多语种和跨语种（Multilinguality and Cross-linguality）；自然语言处理应用；标注、组块分析及句法分析；语义；情感分析和意见挖掘；互联网、社交媒体与计算社会科学；口语处理（Spoken Language Processing）；文本挖掘；文本分类和主题建模。

几乎所有的法律都是用自然语言表达的； 因此，自然语言处理 (NLP) 是大规模理解和预测规律的关键组成部分。 NLP 将非结构化文本转换为计算机可以理解和分析的形式表示。 NLP 和法律的交叉点准备创新，因为 (i.) 越来越多的数字化机器可读法律文本数据存储库，(ii.) 算法和硬件改进驱动的 NLP 方法的进步，以及 (iii. ) 由于当前实践效率低下而提高法律服务有效性的潜力。NLP 是一个很大的领域，与计算机科学相关的许多研究领域一样，它正在Swift发展。 在 NLP 中，本文主要关注统计机器学习技术，因为它们展示了推进文本信息系统的重要前景，并且在可预见的未来可能会相关。首先，我们简要概述了不同类型的法律文本和不同类型的法律文本。机器学习方法来处理这些文本。 我们介绍了将单词和文档表示为数字的核心思想。 然后我们描述了利用法律文本数据来完成任务的 NLP 工具。 在此过程中，我们用斜体定义了重要的 NLP 术语，并提供了示例来说明这些工具的实用性。 我们描述了自动总结内容（情感分析、文本摘要、主题模型、提取属性和关系、文档相关性评分）、预测结果和回答问题的方法。