NLP-学习规划
一、岗位需求
1、不同岗位方向的能力要求比例:
- 知识图谱、信息抽取方向 70%
- 对话系统、问答系统方向 40%
- 文本分类、情感分析方向 20%
- 文本推荐方向 15%
其中采样部分对话系统、推荐系统的搭建依赖于知识图谱、信息抽取技术。
2、软技能:
-
学习能力、解决问题能力 60%
-
团队协作能力 40%
-
表达沟通能力 20%
3、加分项:
- 高质量的论文 40%
- 深度参与的实战算法项目 80%
- 高质量的比赛和比赛名次 30%
二、学习规划
第一部分:机器学习基础篇
第一章:自然语言处理概述
- 什么是自然语言处理
- 自然语言处理的现状与前景
- 自然语言处理应用
- 自然语言处理经典任务
- 职业发展
第二章:数据结构与算法基础
- 时间复杂度、空间复杂度
- 动态规划
- 贪心算法
- 各种排序算法
第三章:分类与逻辑回归
- 逻辑回归介绍
- 最大似然估计
- 优化与梯度下降法
- 随机梯度下降法
第四章:模型泛化与调参
-
理解过拟合
-
防止过拟合
-
L1与L2正则
-
交叉验证
-
正则与MAP估计
第二部分:文本处理篇
第五章:文本预处理与表示
- 各类分词算法
- 词的标准化
- 拼写纠错、停用词
- 独热编码表示
- tf-idf与相似度
- 分布式表示与词向量
- 词向量可视化与评估
第六章:词向量技术
- 独热编码的优缺点
- 分布式表示的优点
- 静态词向量与动态词向量
- SkipGram与CBOW
- SkipGram详解
- Negative Sampling
第七章:语言模型
- 语言模型的作用
- 马尔科夫假设
- UniGram, BiGram, NGram模型
- 语言模型的评估
- 语言模型的平滑技术
第三部分:序列模型篇
第八章:隐马尔科夫模型
- HMM的应用
- HMM的Inference
- 维特比算法
- 前向、后向算法
- HMM的参数估计详解
第九章:线性条件随机场
- 有向图与无向图
- 生成模型与判别模型
- 从HMM与MEMM
- MEMM中的标签偏置
- Log-Linear模型介绍
- 从Log-Linear到LinearCRF
- LinearCRF的参数估计
第四部分:深度学习与预训练篇
第十章:深度学习基础
- 理解神经网络
- 各种常见的激活函数
- 反向传播算法
- 浅层模型与深度模型对比
- 深度学习中的层次表示
- 深度学习中的过拟合
第十一章:RNN与LSTM
- 从HMM到RNN模型
- RNN中的梯度问题
- 梯度消失与LSTM
- LSTM到GRU
- 双向LSTM
- 双向深度LSTM
第十二章:Seq2Seq模型与注意力机制
- Seq2Seq模型
- Greedy Decoding
- Beam Search
- 长依赖所存在的问题
- 注意力机制的实现
第十三章:动态词向量与ELMo技术
- 基于上下文的词向量技术
- 图像识别中的层次表示
- 文本领域中的层次表示
- ELMo模型
- ELMo的预训练与测试
- ELMo的优缺点
第十四章:自注意力机制与Transformer
- LSTM模型的缺点
- Transformer概述
- 理解自注意力机制
- 位置信息的编码
- 理解Encoder和Decoder区别
- 理解Transformer的训练与预测
- Transformer的缺点
第十五章:BERT与ALBERT
- 自编码介绍
- Transformer Encoder
- Masked语言模型
- BERT模型
- BERT的不同训练方式
- ALBERT
第十六章:BERT的其他变种
- RoBERTa模型
- SpanBERT模型
- FinBERT模型
- 引入先验知识
- K-BERT
- KG-BERT
第十七章:GPT与XLNet
- Transformer Encoder回顾
- GPT-1, GPT-2, GPT-3
- ELMo的缺点
- 语言模型下同时考虑上下文
- Permutation LM
- 双流自注意力机制
第五部分:信息提取与知识图谱篇
第十八章:命名识别与实体消歧
- 信息抽取的应用和关键技术
- 命名实体识别
- NER识别常用技术
- 实体统一技术
- 实体消歧技术
- 指代消解
第十九章:关系抽取
- 关系抽取的应用
- 基于规则的方法
- 基于监督学习的方法
- Bootstrap方法
- Distant Supervision方法
第二十章:句法分析
- 句法分析的应用
- CFG介绍
- 从CFG到PCFG
- 评估语法树
- 寻找最好的语法树
- CKY算法
第二十一章:依存文法分析
- 从语法分析到依存文法分析
- 依存文法分析的应用
- 基于图算法的依存文法分析
- 基于Transition-based的依存文法分析
- 依存文法的应用案例
第二十二章:知识图谱
-
知识图谱的重要性
-
知识图谱中的实体与关系
-
非结构化数据与构造知识图谱
-
知识图谱设计
-
图算法的应用
第六部分:模型压缩与图神经网络篇
第二十三章:模型的压缩
- 模型压缩重要性
- 常见的模型压缩总览
- 基于矩阵分解的压缩技术
- 基于蒸馏的压缩技术
- 基于贝叶斯模型的压缩技术
- 模型的量化
第二十四章:基于图的学习
- 图的表示
- 图与知识图谱
- 关于图的常见算法
- Deepwalk和Node2vec
- TransE图嵌入算法
- DSNE图嵌入算法
第二十五章:图神经网络
- 卷积神经网络回顾
- 在图中设计卷积操作
- 图中的信息传递
- 图卷积神经网络
- 图卷积神经网络的经典应用
第二十六章:GraphSage与GAT
- 从GCN到GraphSAge
- 注意力机制回归
- GAT模型详解
- GAT与GCN比较
- 对于异构数据的处理
第二十七章:图神经网络的其他应用
- Node Classification
- Graph Classification
- Link Prediction
- 社区挖掘
- 推荐系统
- 图神经网络的未来发展