【资源介绍】这套循环神经网络（RNN）教育资源由四部分PPT组成，全方位覆盖了循环神经网络的核心知识点。第一部分提供了39页的RNN概述，详细解释了RNN的基本结构、工作原理、特点和优势；第二部分深入探讨了长短期记忆网络（LSTM），通过30页的内容剖析了LSTM的设计思路、梯度消失问题的解决机制以及在序列数据处理中的应用；第三部分涉及编码器-解码器结构，通过25页篇幅详细解读了序列到序列（seq2seq）模型在机器翻译、文本生成等任务中的作用与实现方式。还包含自我检测的练习题。 此外，该资源还包括负荷预测的具体代码实例与实践指导，使得学习者能够将理论知识直接应用于实际问题。 【适用对象】这套资源适用于对深度学习特别是循环神经网络领域感兴趣的学生、教师、研究人员以及相关行业的数据科学家和工程师，旨在帮助他们系统学习RNN的各个方面，掌握基于RNN的复杂序列数据建模和预测技术，并能够在实际工作中灵活应用这些技术解决实际问题。

本项目使用 GPT2-Chinese 的模型将wiki中文的数据导入模型训练了通用模型。 将GPT2-chitchat的对话任务稍作修改来适用于中文摘要任务。 将通用模型的权重应用在摘要问题上进行进一步训练的。 GPT2-Chinese 参考：https://github.com/Morizeyao/GPT2-Chinese GPT2-chitchat参考：https://link.zhihu.com/?target=https%3A//github.com/yangjianxin1/GPT2-chitchat 项目工作流程详见：https://zhuanlan.zhihu.com/p/113869509 本项目为GPT2-chitchat稍作修改的内容，在此也感谢大佬的分享。 由于NLPCC的摘要数据为新闻语料，涉及话题和内容较多，应用在垂直领域下效果会好一些。

├─(2) 1.1 语言模型与语法树.zip ├─(3) 10-CNN卷积神经网络.mp4 ├─(4) 10.1 CNN卷积神经网络.zip ├─(5) 11-RNN循环神经网络.mp4 ├─(6) 11.1 RNN循环神经网络.zip ├─(7) 12-Transformer与BERT，大规模预训练问题.mp4 ├─(8) 12.1 Transformer与BERT，大规模预训练问题.zip ├─(9) 13-面向服务的智能客户机器人与新闻自动摘要生成.mp4 ├─(10) 13.1 面向服务的智能客户机器人与新闻自动摘要生成.zip ├─(11) 14-高级人工智能知识.mp4 ├─(12) 14.1 高级人工智能知识.zip ├─(13) 2-爬虫、搜索引擎与自动路径决策.mp4 ├─(14) 2.1 爬虫、搜索引擎与 自动路径决策.zip ├─(15) 3-动态规划与编辑距离.mp4 ├─(16) 3.1 动态规划与编辑距离.zip ├─(17) 4-自然语言理解初步.mp4 ├─(18) 4.1 自然语言理解初步.zip ├─(19) 5-经典机器学习一.mp4 ├─(20)

AI Conference 北京站 AI Conference 2019 北京站6月18-21日即将开幕！ 培训：大会推出「PyTorch 深度学习」两天培训课程，资深数据科学家主讲，限制人数，抢票从速！ 编者注：文中超链接如果不能访问可以点击“阅读原文”访问本文原页面；查看2019年6月18日至21日在北京举行的人工智能大会上的相关议题。 开源NLP库 在开发和生产中，最受欢迎的NLP库列表如下： Spark NLP spaCy NLTK OpenNLP Stanford CoreNLP 显然，NLP领域还有更多的库。但是，这些库更通用，涵盖更多功能，而不只是专注于特定用例。例如，gen

Stanza：斯坦福NLP自然语言处理Python工具包，NER有很大改进(支持中文) Stanza：适用于多种人类语言的 Python NLP 库 斯坦福 NLP 集团的官方 Python NLP 库。 它支持在 60 多种语言上运行各种准确的自然语言处理工具，并支持从 Python 访问 Java Stanford CoreNLP 软件。 有关详细信息，请访问我们的官方网站。 参考资料 如果您在研究中使用此库，请引用我们的 Stanza 系统描述论文：@inproceedings{qi2020stanza, title={Stanza: A {Python} Natural Language Processing Toolkit for Many Human Languages}，作者={Qi, Peng and Zhang, Yuhao and Zhang, Yuhui and Bolton, Jason and Manning, Christopher D.}, booktitle = "Proceedings of the Association for Computa

完整带书签，word版，全章节，五分不算多，赚点儿积分

自然语言处理大体是从1950年代开始，虽然更早期也有作为。1950年，图灵发表论文“计算机器与智能”，提出现在所谓的“图灵测试”作为判断智能的条件。 1954年的乔治城实验涉及全部自动翻译超过60句俄文成为英文。研究人员声称三到五年之内即可解决机器翻译的问题。[1]不过实际进展远低于预期，1966年的ALPAC报告发现十年研究未达预期目标，机器翻译的研究经费遭到大幅削减。一直到1980年代末期，统计机器翻译系统发展出来，机器翻译的研究才得以更上一层楼。 1960年代发展特别成功的NLP系统包括SHRDLU——一个词汇设限、运作于受限如“积木世界”的一种自然语言系统，以及1964-1966年约瑟夫·维森鲍姆模拟“个人中心治疗”而设计的ELIZA——几乎未运用人类思想和感情的讯息，有时候却能呈现令人讶异地类似人之间的互动。“病人”提出的问题超出ELIZA 极小的知识范围之时，可能会得到空泛的回答。例如问题是“我的头痛”，回答是“为什么说你头痛？

服装行业词库-nlp/自然语言处理

财经行业词库-nlp/自然语言处理

自己整理的IJCAI2018自然语言处理方向的论文，总共95篇，有感兴趣的可以一阅。