详解预训练模型、信息抽取、文本生成、知识图谱、对话系统技术
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
????????????
详解预训练模型、信息抽取、文本生成、知识图谱、对话系统技术相关推荐
- 详解预训练模型、图神经网络、模型压缩、知识图谱、信息抽取、序列模型、深度学习、语法分析、文本处理...
NLP近几年非常火,且发展特别快.像BERT.GPT-3.图神经网络.知识图谱等技术应运而生.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 ...
- 今晚8点免费直播 | 详解知识图谱关键技术与应用案例
知识图谱(Knowledge Graph)以其强大的语义处理能力和开放组织能力,为互联网时代的知识化组织和智能应用奠定了基础.近来,大规模知识图谱库的研究和应用在学术界和工业界已经引起了足够的重视.随 ...
- Transformers预训练模型使用:文本摘要 Summarization
文本摘要是一个将一个文档或文章总结成一小段文字的任务. 一个文本摘要任务的数据集叫CNN / Daily Mail dataset,包含长新闻文章和其对应的摘要. 使用pipeline 同样,我们可以 ...
- 如何获取服务器机器码_dmidecode命令详解(获取硬件信息)
如何获取服务器机器码_dmidecode命令详解_获取硬件信息 零.获取linux服务器机器码 一.dmidecode简介 二.dmidecode的作用 三.dmidecode命令用法 dmideco ...
- shell脚本详解(十一)——awk文本和数据处理编程语言
shell脚本详解(十一)--awk文本和数据处理编程语言 一.awk命令 – 文本和数据进行处理的编程语言 1.工作原理 2.命令格式 3.awk常见的内建变量(可直接使用) 4.按行输出文本 5. ...
- linux隔行打印文本,详解正则表达式及Linux三大文本处理工具
grep.sed和awk都是文本处理工具,虽然都是文本处理工具但却都有各自的优缺点,一种文本处理命令是不能被另一个完全替换的,否则也不会出现三个文本处理命令了. 一.正则表达式 1.匹配字符的类型 [ ...
- 一文详解知识图谱关键技术与应用 | 公开课笔记
讲师 | 桂洪冠 来源 | AI科技大本营在线公开课 视频回放地址:https://edu.csdn.net/huiyiCourse/detail/844 本课程从知识图谱的历史由来开展,讲述知识图谱 ...
- 可控文本生成研现状与技术
提示:文本生成是nlp的重要领域,而可控文本生成的出现对于NLP研究具有重大意义.边学边总结不断更新,先把大框架搞好. 文章目录 前言 一.可控文本生成任务 通过关键字生成可控文本 通过知识图谱生成可 ...
- 【JavaScript详解】一文掌握JavaScript基础知识(上)
JavaScript基础 前言 一.什么是JavaScript 1.JavaScript概述 2.javaScript有什么作用 二.JavaScript快速入门 1.引入JavaScript 2.基 ...
最新文章
- 机器学习常见算法及优缺点!
- CFileDialog的基本使用
- sklearn随笔-归一化(标准化)
- 图片验证码防暴力破解_Java
- android开发将h5转换成pdf_一键将PDF转换成PPT,秒懂!
- Java Statement PK PrepareStatement
- 计算机网络 --- 数据链路层CSMA/CA协议
- springboot-quartz普通任务与可传参任务
- CTO:不要在 Java 代码中写 set/get 方法了,逮一次罚款
- 基于深度学习的图像修复—心中无码
- 服务器显示器出现actions,微软已修复Win10中Action Center显示在屏幕左侧问题
- 文件不见还占用空间咋修复
- 安徽师范大学898专硕复习讲义
- 软工系列之--数据流图(DFD图)
- 硬盘“0”磁道损坏的排解
- Scaffold php,scaffold: 基于 Laravel 的后台脚手架 Scaffold for laravel
- spl android,SPL Spectrum Analyzer
- Python3教程:copy模块详细用法
- java中根据自己的需要画一张jgp的图片
- Python中的if判断语句中包含or
热门文章
- Swift泛型Protocol对比C#泛型Interface
- Attempt to write to a read-only database Sqlite
- 网络流sap需要注意的地方
- 博客园配置windows live writer,实现本地代码高亮
- UDT源码剖析(二):UDT自带例程recvfile注释
- linux下被遗忘的gpio_keys按键驱动
- 你知道嵌入式,那你看过这个吗?
- 快速排序非递归算法c语言实现,数据结构与算法----3.5 非递归的快速排序方法
- python基于opencv的手势识别_怎么在Python3.5 中利用OpenCV实现一个手势识别功能
- python安装虚拟环境出现错误_virtualenv 安装虚拟环境问题 请大神指点一二