我的GAN专项课程仓库

点击图片

DeepLearning.ai 自然语言处理专项课程笔记

本仓库包含我对 DeepLearning.ai 自然语言处理专项课程的个人笔记。

DeepLearning.ai 提供四门课程，可在 Coursera 上学习。这四门课程分别是：

1. 使用分类与向量空间进行自然语言处理
2. 使用概率模型进行自然语言处理
3. 使用序列模型进行自然语言处理
4. 使用注意力机制进行自然语言处理

关于本专项课程（摘自官方NLP专项课程页面）

• 自然语言处理（NLP）利用算法来理解和操作人类语言。这项技术是机器学习中应用最广泛的领域之一。随着人工智能的不断发展，对能够构建分析语音和语言、发现上下文模式并从文本和音频中提取洞察的专业人才的需求也将持续增长。

• 完成本专项课程后，你将具备设计NLP应用程序的能力，这些应用可以执行问答和情感分析、创建语言翻译和文本摘要工具，甚至构建聊天机器人。这些以及其他NLP应用将在即将到来的AI驱动型未来转型中处于前沿地位。

• 本专项课程由两位在NLP、机器学习和深度学习领域经验丰富的专家设计并授课。Younes Bensouda Mourri 是斯坦福大学的AI讲师，同时也参与了深度学习专项课程的开发。Łukasz Kaiser 则是Google Brain的高级研究科学家，同时也是TensorFlow、Tensor2Tensor和Trax库以及Transformer论文的共同作者。

应用学习项目

本专项课程将为你提供构建尖端NLP系统所需的最先进深度学习技术：

• 使用逻辑回归、朴素贝叶斯和词向量实现情感分析、完成类比推理和单词翻译，并利用局部敏感哈希进行近似最近邻搜索。

• 使用动态规划、隐马尔可夫模型和词嵌入来自动纠正拼写错误、补全部分句子以及识别词性标签。

• 在TensorFlow和Trax中使用密集型和循环神经网络、LSTM、GRU以及暹罗网络，以进行高级情感分析、文本生成、命名实体识别，并识别重复问题。

• 使用编码器-解码器、因果注意力和自注意力机制，实现完整的句子翻译、文本摘要、问答功能，并构建聊天机器人。所涵盖的模型包括T5、BERT、Transformer、Reformer等！ 祝您学习愉快！

使用说明

我分享的作业笔记本包含了预先填好的代码，并按照课程的Course/Week结构组织。这些作业笔记本可能会随着时间推移而发生变化。

通过Slack与导师和同学交流吧！

一旦你报名参加了本课程，便会被邀请加入该专项课程的Slack工作区： 请访问以下链接加入Slack工作区：deeplearningai-nlp.slack.com 该Slack工作区涵盖了本专项课程的所有课程。

联系方式

• Twitter: @IbrahimJelliti
• LinkedIn: @ibrahimjelliti
• 专项课程Slack频道：@ibrahim

星标数量随时间变化趋势

易卜拉欣·杰利提 © 2020

Deeplearning.ai 自然语言处理专项课程笔记 - 快速上手指南

本仓库收录了 Deeplearning.ai 在 Coursera 上推出的自然语言处理（NLP）专项课程的个人学习笔记与代码实现。该专项课程由斯坦福大学讲师 Younes Bensouda Mourri 和 Google Brain 研究员、Transformer 论文共同作者 Łukasz Kaiser 联合讲授。

环境准备

系统要求

• 操作系统：Windows / macOS / Linux
• Python 版本：建议 Python 3.7+
• 浏览器：现代浏览器（用于访问 Coursera 课程页面）

前置依赖

本课程主要使用以下库，建议提前安装：

• TensorFlow
• Trax (Google 推出的深度学习库)
• NumPy, Pandas, Matplotlib
• Jupyter Notebook 或 JupyterLab

国内加速建议： 安装 Python 包时，推荐使用清华或阿里镜像源以提升下载速度。 临时使用镜像源命令示例：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆仓库 将本仓库克隆到本地，获取课程笔记和作业代码：

   git clone https://github.com/ijelliti/Deeplearning.ai-Natural-Language-Processing-Specialization.git
   cd Deeplearning.ai-Natural-Language-Processing-Specialization
   

2. 创建虚拟环境（推荐）

   python -m venv nlp_env
   # Windows
   nlp_env\Scripts\activate
   # macOS/Linux
   source nlp_env/bin/activate
   

3. 安装核心依赖 建议使用国内镜像源安装所需库：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow trax numpy pandas matplotlib jupyter
   

4. 启动 Jupyter 进入对应的课程文件夹（例如第一课），启动笔记本：

   cd "1 - Natural Language Processing with Classification and Vector Spaces"
   jupyter notebook
   

基本使用

本仓库按课程结构组织，每个课程目录下包含每周的作业笔记本（Notebooks）。笔记本中已预填了部分代码结构，供学习者补充完成。

最简单的使用示例

以第一门课《基于分类和向量空间的自然语言处理》为例，打开对应的作业笔记本后，你将看到类似以下的代码单元格，需完成情感分析逻辑：

# 示例：加载预处理后的数据
train_x, train_y, test_x, test_y = process_data(train_tweets, test_tweets)

# 构建词频字典
freqs = count_tweets(train_x, train_y)

# TODO: 在此处实现逻辑回归训练函数
def train_lr(features, labels, learning_rate=0.01, num_iterations=300):
    # 你的代码在这里
    pass

学习流程建议：

1. 在 Coursera 注册并学习对应视频理论。
2. 在本仓库找到对应周次的 .ipynb 文件。
3. 在 Jupyter 中运行单元格，根据注释提示补全代码。
4. 运行测试单元格验证结果。

加入社区交流

课程官方提供了 Slack 交流平台，便于与导师和其他学员互动：

• 访问链接：deeplearningai-nlp.slack.com
• 加入后可在频道中讨论作业难点或分享项目心得。