♦ 【政府補助】10/23開課，遠距同步教學，最後3名，欲洽從速！
課程介紹
自然語言處理（Natural Language Processing，NLP）是計算機科學以及人工智慧的子領域，專注在如何讓計算機處理並分析大量（人類的）自然語言數據。
NLP常見的挑戰有語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成，是近幾年成長最迅速的AI應用。 本課程將帶領學員了解常見的NLP任務，再以命名實體識別 (Named Entity Recognition，NER)為主，講解任務處理的流程，以及相關演算法，並搭配軟體套件的使用，兼具理論與實作兩個面向，對NLP有完整的概念。
推薦系統應用將會介紹常見的推薦系統應用(產品/平台)，再以深入淺出的方式，說明推薦系統的經典演算法，以直觀的方式理解這些演算法的原理。
關鍵詞:人工智慧、機器學習、深度學習、AI、Python、自然語言處理、Natural Language Processing、NLP、推薦系統、Recommender Systems、Deep Learning、聊天機器人、 Chatbot
課程特色
學習目標
1.了解NLP自然語言處理任務與流程，熟悉相關演算法。
2.學會NLP自然語言處理任務的資訊提取、句法分析、機器翻譯、問答系統。
3.了解深度學習RNN、LSTM、 GRU模型的原理與運用方法。
4.學會NLP自然語言處理流程的網路爬蟲，預處理，訓練模型，評量效能。
5.了解推薦系統應用與推薦系統的經典演算法。
6.講師帶領完成問答系統與推薦系統實作
7.熟悉Python語法及其資料科學運用，了解相關演算法與Numpy、Pandas等工具。
適合對象
- 想熟悉Python AI之運用
- 想了解深度學習NLP自然語言原理與應用
- 想了解自然語言處理與推薦系統應用
- 對於Chatbot聊天機器人、情緒分析、智能助理感興趣
課程大綱
第一階段 NLP自然語言處理(Natural Language Processing)
-
1.自然語言處理(N-gram)
-
-資訊提取、句法分析、機器翻譯、問答系統等 資料來源
-
2.中文自然語言處理（jieba斷詞、停用詞）
-
3.編碼方式
- -Bag of Words
示意圖
-TF-IDF
以NLP套件做的文字雲
- -Word2Vec
-
4.深度學習模型
-RNN/LSTM
-seq2seq
-Bert
-
5.實例
-文章評論情緒分類
-中英文文字生成
-文字描述預測商品價格 -
6.專案 : 問答系統實作
第二階段 推薦系統
-
1.網路爬蟲的原理說明與實作練習
- 先備知識說明：HTML, CSS, DNS 等
- 工作流程：網頁爬取, 解析, 儲存
- 工具套件：requests, Beautifulsoup 4, Selenium
- 實作練習：以經濟日報, 台灣證交所, Yahoo Finance為例
-
2.推薦系統的原理說明與實作練習
- 基於內容的的推薦 (Content-based Recommendation)
- 基於用戶的協同過濾((User-Based Collaborative Filtering)
User-Based Collaborative Filtering
- 基於物品的協同過濾 (Item-Based Collaborative Filtering)
- 矩陣分解 (Matrix Factorization)
- 實作練習：以iMDB電影推薦為例推薦系統 資料來源
-
3.AI模型與操作介面的整合
- 觀念解析與案例說明
- 微型架站工具：Flask
- 簡易網頁製作：表單, 檔案上傳
- 實作練習：以iMDB電影搜尋引擎為例
※實戰演練的範例將會依據產業界的實際狀況進行調整
師資團隊
Lynn老師
▪ 國立臺灣大學資訊網路與多媒體碩士 ▪ 知名教育科技公司人工智慧工程師
▪ 知名資產管理公司金融計量分析研究員
▪ 機器學習 ▪ 深度學習 ▪ 自然語言處理(NLP) ▪ 網路爬蟲
課程諮詢
延伸學習
Q&A
自然語言處理（Natural Language Processing，NLP）是計算機科學以及人工智慧的子領域，專注在如何讓計算機處理並分析大量（人類的）自然語言數據。NLP 常見的挑戰有語音辨識、自然語言理解、機器翻譯以及自然語言的生成，是近幾年成長最迅速的AI應用。
自然語言處理NLP常運用於語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成，主要在幫助機器理解，解釋和運用人類語言。
推薦系統是以每位顧客為基礎，根據他們的行為模式和喜好去做即時的推薦。多運用在商品推薦、電影推薦、音樂推薦中。
