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NLP自然語言處理的任務與流程、中文自然語言處理及常見的文字編碼方式，並透過深度學習演算法與進階語言模型實作，進而實現AI主題專案：Telegram飯店業問答系統。課程搭配軟體套件使用，兼具理論與實作面向，讓你對NLP有完整的概念。

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、Deep Learning、Keras、RNN、LSTM、BERT、聊天機器人、Chatbot、問答系統、Question Answering System

1.了解NLP自然語言處理任務與流程，熟悉相關演算法。

2.學習NLP自然語言處理任務的文字探勘、句法分析、文本分類、資訊提取、機器翻譯等。

3.了解深度學習RNN、LSTM、GRU、BERT模型的原理與運用方法。

4.瞭解問答系統(Question Answering System)之開發流程與要領。

5.了解推薦系統應用與推薦系統的經典演算法。

6.學會使用Tensorflow/Keras進行深層神經網路(DNN)實作

7.了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping,…

• 對於AI自然語言處理應用技術有興趣之工程師或研究生。
• 想進一步學習如何將AI演算法轉換成服務業、電商平台常用的功能或服務者。
• 須領導、管理AI開發專案者。
• 想了解NLP問答系統應用或對Chatbot聊天機器人、情緒分析、智能助理感興趣者

• 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

• ►機器學習與深度學習技術簡介
• ►深度學習(深層神經網路) DNN運作原理與相關技術解說
• ►TensorFlow/Keras程式架構
• ►DNN
  • ►DNN Regression
  • ► DNN分類-使用Keras
• ►加入更多訓練技巧-Batch Normalization, Dropout, Early Stopping…
• ►CNN
  • ►CNN網路運作原理
  • ►CNN圖像分類-使用Keras
  • ►Image Augmentation
  • ►知名CNN網路模型(AlexNet、VGG16、ResNet50…)
  • ►Transfer Learning原理與實作
• ►YOLO 多物件偵測與程式架構說明
• ►RNN
  • ►RNN網路運作原理
  • ►RNN Regression
  • ►RNN KKTV 預測上線
  • ►RNN機器翻譯
• ►Appendix I : Google Colaboratory 使用說明
• ►Appendix II: GPU配置教學與效能評估