《NLP入门到精通》栏目导读
一、说明
栏目《NLP入门到精通》本着从简到难得台阶式学习过度。将自然语言处理得知识贯穿过来。本栏目得前导栏目是《深度学习》、《pytorch实践》，因此，读者需要一定得深度学习基础，才能过度到此栏目内容。
为了保证读者由浅入深地学习Halcon学习。本栏目在持续更新中，直到以上知识篇完整为止。
| 单元内容范围 | 专题描述 | 备注 |
|---|---|---|
| 第一单元： | 文本分类，基于统计学模型。 | 待续 |
| 第二单元 | 词嵌入，基于深度学习网络。 | |
| 第三单元： | CNN。LSTM，序列神经网络，句法分析。 | |
| 第四单元： | 在词嵌入基础上，对上下文进行分析。 | |
| 第五单元： | Bert词法，词性分析。 | |
| 第六单元 | transformers语言翻译，词法、句法综合。 | |
| 第七单元 | LLM大语言模型。 | |
| 第八单元 | 主题模型，文本摘要提取，语义分解。 | |
| 第九单元 | 综合知识。 |
第一单元：文本分类
该专题专门针对 基础学员，对基本的pytorch内容、语法、类和属性等进行了解，以便以后能明确无疑地应用。此专题在不断更新中，目前的全部文章是：
【NLP模型】文本建模（2）TF-IDF关键词提取原理
【NLP概念源和流】 02-稠密文档表示（第 2/20 部分）
【NLP】 实施文本分类器
【NLP】 文本技术方法指南
【NLP】PageRank、TextRank算法的原理解析_textrank和pagerank
第二单元：词嵌入
【NLP概念源和流】 06-编码器-解码器模型（6/20 部分）
【NLP概念源和流】 03-基于计数的嵌入，GloVe（第 3/20 部分）
【深度学习】编码器专题（01）
【深度学习】编码器专题（02）
【NLP】基础工程：词嵌入_nlp词嵌入
【深度学习】 NLP和神经网络表示
【NLP】Word2vec概念和演进史_word2vec的发展
第三单元：CNN和LSTM
【深度学习】看似不合理实则有效的RNN
【NLP概念源和流】 04-过度到RNN（第 4/20 部分）
【BBC新闻文章分类】使用 TF 2.0和 LSTM 的文本分类
【深度学习】深度了解 LSTM
【NLP】LSTM追根溯源
【NLP】理解LSTM的内在逻辑
第四单元：Attension
【NLP】多头注意力概念（01）
【NLP】Attention机制和RNN
第五单元：Bert
【NLP】使用BERT构建一个情绪分析模型
【NLP】BERT和原理揭示
【NLP】一项NER实体提取任务_无水先生的博客
【NLP】用NER自动实现简历摘要提取的案例
第六单元：Transformers
深入了解“注意力”和“变形金刚” -第1部分
用 Pytorch 自己构建一个Transformer
【NLP】机器翻译相关原理
【 NLP 】 句子transformer调用备忘录
【NLP】transformers的位置编码
【NLP】小项目：基于transformer的文本摘要
【NLP】分步图解transformer 数学示例
【NLP】Transformer模型原理（1）
【NLP】Transformer模型原理（2）
第七单元：大语言模型
【NLP】GPT-2：通过可视化了解语言生成
第八单元 ：主题模型
【NLP】使用 LSA、PLSA、LDA 和 lda2Vec 进行主题建模
【深度学习】基于BRET的高级主题检测-
通过深度学习进行高级主题检测
第九单元：NLP综合
自然语言入行必知的基础概念
【NLP】KMP匹配算法
【NLP】有限自动机的KMP算法_kmp自动机
【NLP】从双曲面到双曲几何庞加莱盘
【人工智能】人工智能和双曲几何
【NLP】基于庞加莱损失函数的词嵌入模型
【NLP模型】文本建模（1）（BoW、N-gram、tf-idf）
语音识别：时间序列Damerau–Levenshtein距离_damerau-levenshtein
语音识别：时间序列的匹配算法（Needleman-Wunsch 算法）_时间匹配算法
【NLP】斯密斯-沃特曼的对齐算法（python）-CSDN博客
【NLP】自然语言处理之综述_自然语言处理综述-CSDN博客
语音识别：时间序列的Smith–Waterman对齐算法_smith-waterman