NLP作为人工智能领域的一部分，相比于传统机器学习、计算机视觉等，还是有相当大的难度。但是其带来的价值还是非常大的，被誉为是“掌心上的明珠”。
- 001.使用Pandas.ipynb
- 002-Pandas对象.ipynb
- 003-Pandas数据索引与选择.ipynb
- 004-Pandas数值运算.ipynb
- 005-Pandas处理缺失值.ipynb
- 006-Pandas层级索引.ipynb
- 007-Pandas合并数据集.ipynb
- 01-传统基于规则的模型.ipynb
- 02-基于搜索的决策系统.ipynb
- 03-机器学习思维模式.ipynb
- 07-回归及梯度下降.ipynb
- 07-机器学习入门.ipynb
- 08-Python实现梯度下降算法.ipynb
- 09-数据间距离度量.ipynb
- 10-分类与逻辑回归.ipynb
- 11-SVM.ipynb
- 12-python实现KNN和决策树.ipynb
- 12-决策树.ipynb
- 13-各种分类器比较.ipynb
- 13-朴素贝叶斯.ipynb
- 14-机器学习对新闻来源分类.ipynb
- 15-降维.ipynb
- 16-KMeans聚类.ipynb
- 17-Gaussian-Mixture-Models.ipynb
- 18-异常点检测.ipynb
- 19-gradient_boosting.py
- 20-naive_bayes.ipynb
- 30-集成决策树.ipynb
- 31-特征工程.ipynb
- 评价指标与损失函数.ipynb
- 1-Python实现神经网络.ipynb
- 10-TensorFlow数据管道及特征列.ipynb
- 11-TensorFlow高阶API.ipynb
- 12-TensorFlow常用函数.ipynb
- 13-tf.function与AutoGraph.ipynb
- 14-PyTorch入门.ipynb
- 2-Python实现误差反向传播.ipynb
- 3-Python实现与学习相关的技巧.ipynb
- 4-Python实现基于图的神经网络.ipynb
- 5-Python实现CNN.ipynb
- 6-rnn_from_scrach.ipynb
- 7-scratch_rnnCell.py
- 8-softmax函数.ipynb
- 9-TensorFlow张量与自动微分.ipynb
- 01-Keras神经网络入门.ipynb
- 02-keras_advanced.py
- 03-notMNIST图像分类.ipynb
- 04-CNN图像分类.ipynb
- 05-基于词向量和LSTM对豆瓣影评分类.ipynb
- 06-RNN原理及使用(PyTorch).ipynb
- 07-恶意评论分类.ipynb
- 08-CNN及迁移学习图像分类.ipynb
- 09-基于RNN的影评情感分类(PyTorch).ipynb
- 10-经典CNN架构实现(TensorFlow).ipynb
- 11-autoencoders.ipynb
- 12-GANs.ipynb
- 13-style_transfer.ipynb
- 14-卷积神经网络的可视化.ipynb
- 15-时间序列预测.ipynb
- 00-文本处理的基本流程.ipynb
- 00-文本预处理常用函数.ipynb
- 01-分词.ipynb
- 01-编辑距离.ipynb
- 02-词表征与词向量.ipynb
- 03-训练词向量.ipynb
- 04-文档向量.ipynb
- 04-文档向量.py
- 05-doc2vec.md
- 06-PageRank及TextRank.md
- 07-keras-imdb-classification.py
- 08-keras-imdb-rnn.py
- 09-LDA主题模型.ipynb
- 10-RNN语言模型.ipynb
- 11-基于HMM和Viterbi算法的序列标注.ipynb
- 12-BiLSTM和CRF算法的序列标注原理.ipynb
- 13-基于BiLSTM和CRF算法的命名实体识别(PyTorch).ipynb
- 14-基于BiLSTM和CRF算法的命名实体识别(TensorFlow).ipynb
- 15-基于词向量和LSTM对豆瓣影评分类(TensorFlow).ipynb
- 16-基于RNN的字符级自然语言生成.ipynb
- 20-ELMo模型.ipynb
- 25-Attention机制.ipynb
- 26-Attention使用示例.ipynb
- 27-基于Attention的中译英(TensorFlow).ipynb
- 28-基于Attention的图片标注(TensorFlow).ipynb
- 30-Transformer模型及源代码(PyTorch).ipynb
- 31-基于Transformer的中译英(TensorFlow).ipynb
- 32-基于Transformer的seq2seq模型(PyTorch).ipynb
- 33-Transformer-XL.ipynb
- 34-Transformer优化.ipynb
- 35-NLP数据增强.ipynb
- 36-生成模型的解码方法.ipynb
- 37-positioanl-encoding.ipynb
- 38-填充与遮盖.ipynb
- 39-自然语言生成.ipynb
- 40-bert-modeling(TensorFlow)
- 40-BERT基本原理及运用.ipynb
- 41-BERT创建训练数据(Tensorflow).ipynb
- 42-BERT模型详解及代码实现(Tensorflow).ipynb
- 42-BERT模型详解及代码实现(Tensorflow).py
- 43-BERT模型详解及代码实现(Tensorflow).py
- 44-BERT预训练及代码实现(Tensorflow).ipynb
- 45-基于BERT的文本分类.ipynb
- 46-基于BERT的问答任务.ipynb
- 47-基于BERT的文本摘要.ipynb
- 48-基于BERT的命名实体识别.ipynb
- 49-以BERT为底层结构的分类模型.ipynb
- 50-BERT加速.ipynb
- 51-XLNet模型.ipynb
- 52-ALBERT.ipynb
- 55-RoBERTa.ipynb
- 65-GPT.ipynb
- 66-miniGPT(TensorFlow).ipynb
- 66-miniGPT(TensorFlow).py
- 67-ERNIE.ipynb
- 80-ELECTR预训练模型.ipynb
- 90-Reformer模型.ipynb
- 99-预训练模型MASK方法总结.ipynb
- 99-预训练模型总结.ipynb
- README.md