无惧秋招，您的NLP算法工程师魔鬼训练计划请查收
我們訓練營的特色可以概括為：
體系化、專業性、深度、精細化講解，
最重要的一點是可以幫助你看到里面的本質、而且能夠把零零散散的知識點串起來，
我們只做AI教育，因為這是我們最擅長的領域！?
另外，我們配備相應的教材，越早加入就有更多預習準備的時間！課程大綱
第一階段 算法與機器學習基礎
【核心知識點】. 時間復雜度，空間復雜度分析. Master's Theorem，遞歸復雜度分析. 動態規劃以及Dynamic Time Warpping. Earth Mover's Distance
. 維特比算法
. LR、決策樹、隨機森林、XGBoost. 梯度下降法、隨機梯度下降法、牛頓法. Projected Gradient Descent.?L0, L1, L2, L-Infinity Norm
. Grid Search, Bayesian Optimization
. 凸函數、凸集、Duality、KKT條件. Linear SVM、Dual of SVM. Kernel Tick, Mercer's Theorem. Kernelized Linear Regression、Kernelized KNN. Linear/Quadratic Programming. Integer/Semi-definite Programming. NP-completeness/NP-hard/P/NP. Constrained Relaxation、Approximate Algorithm. Convergence Analysis of Iterative Algorithm
【部分案例講解】:. 基于Sparse Quadratic Programming的股票投資組合優化策略編寫
. 基于Earth Mover's Distance的短文本相似度計算
. 基于Projected Gradient Descent和非負矩陣分解的詞向量學習. 基于Linear Programming的機票定價系統. 基于DTW的文本相似度分析
第二階段 語言模型與序列標注
【核心知識點】. 文本預處理技術（tf-idf，Stemming等）
. 文本領域的特征工程
. 倒排表、信息檢索技術
. Noisy Channel Model
. N-gram模型，詞向量介紹
. 常見的Smoothing Techniques
. Learning to Rank
. Latent Variable Model
. EM算法與Local Optimality. Convergence of EM. EM與K-Means, GMM. Variational Autoencoder與Text Disentangling.有向圖與無向圖模型. Conditional Indepence、D-separation、Markov Blanket. HMM模型以及參數估計. Viterbi、Baum Welch. Log-Linear Model與參數估計
. CRF模型與Linear-CRF
. CRF的Viterbi Decoding與參數估計
【部分案例講解】：
. 基于無監督學習方法的問答系統搭建
. 基于監督學習的Aspect-Based 情感分析系統搭建
. 基于CRF、LSTM-CRF、BERT-CRF 的命名實體識別應用?
. 基于語言模型和Noisy Channel Model的拼寫糾錯
第三階段?信息抽取、詞向量與知識圖譜
【核心知識點】
. 命名實體識別技術
. 信息抽取技術
.?Snowball, KnowitAll, RunnerText
. Distant Supervision, 無監督學習方法
.?實體統一、實體消歧義、指代消解
. 知識圖譜、實體與關系
. 詞向量、Skip-Gram、Negative Sampling
. 矩陣分解、CBOW與Glove向量
. Contexualized Embedding與ELMo
.?KL Divergence與Gaussian Embedding
. 非歐式空間與Pointcare Embedding. 黎曼空間中的梯度下降法
. 知識圖譜嵌入技術
. TransE, NTN 的詳解
. Node2Vec詳解
. Adversial Learning與KBGAN【部分案例講解】：. 利用非結構化數據和信息抽取技術構建知識圖譜. 任務導向型聊天機器人的搭建. 包含Intent與Entity Extraction的NLU模塊實現
. 基于SkipGram的推薦系統實現（參考Airbnb論文）
第四階段 深度學習與NLP
【核心知識點】.?Pytorch與Tensorflow詳解. 表示學習，分布式表示技術
. 文本領域中的Disentangling
. 深度神經網絡與BP算法詳解
. RNN與Vanishing/Exploding Gradient
. LSTM與GRU
. Seq2Seq與注意力機制
. Greedy Decoding與Beam Search
. BI-LSTM-CRF模型
. Neural Turing Machine. Memory Network
. Self Attention，Transformer以及Transformer-XL.
. Bert的詳解
. BERT-BiLSTM-CRF
. GPT，MASS,? XLNet
. Low-resource learning
. 深度學習的可視化
. Laywer-wise Relevance Propagation* 由于此領域的飛速發展，我們會在課程進行過程中也會及時更新，確保2周之內新出的重要技術第一時間可以理解并使用。【部分案例講解】：. 利用純Python實現BP算法
. 基于Seq2Seq+注意力機制、基于Transformer的機器翻譯系統
. 基于Transformer的閑聊型聊天機器人
. 基于BI-LSTM-CRF和BERT-BiLSTM-CRF在命名實體中的比較
. 利用Laywer-wise RP可視化端到端的機器翻譯系統
第五階段 貝葉斯模型與NLP
【核心知識點】
.?概率圖模型與條件獨立. Markov Blanket?
. Dirichlet分布、Multinomial分布. Beta分布、Conjugate Prior回顧. Detail Balance
. 主題模型詳解
. MCMC與吉布斯采樣
. 主題模型與Collapsed Gibbs Sampling
. Metropolis Hasting, Rejection Sampling
. Langevin Dyamics與SGLD
. 分布式SGLD與主題模型
. Dynamic Topic Model?. Supervised Topic Model
. KL Divergence與ELBO
. Variantional Inference, Stochastic VI
. 主題模型與變分法
. Nonparametric Models
. Dirichlet Process. Chinese Restarant Process
. Bayesian Deep Neural Network?
. VAE與Reparametrization trick
. Bayesian RNN/LSTM
. Bayesian Word2Vec
. MMSB
【部分案例講解】:.?利用Collapsed Gibbs Sampler和SGLD對主題模型做Inference
. 基于Bayesian-LSTM的命名實體識別. 利用主題模型做文本分類在?. LDA的基礎上修改并搭建無監督情感分析模型
第六階段?開放式項目 （Optional）
【項目介紹】
開放式項目又稱為課程的capstone項目。作為課程中的很重要的一部分，可以選擇work on一個具有挑戰性的項目。通過此項目，可以深入去理解某一個特定領域，快速成為這個領域內的專家，并且讓項目成果成為簡歷中的一個亮點。
?
【項目流程】：?Step 1: 組隊?Step 2：立項以及提交proposal?Step 3: Short Survey Paper?Step 4: 中期項目Review?Step 5: 最終項目PPT以及代碼提交?Step 6: 最終presentation?Step 7: Technical Report/博客【輸出結果】：完整PPT、代碼和Conference-Style Technical Report 最為項目的最后階段，我們將組織學員的presentation分享大會。借此我們會邀請一些同行業的專家、從業者、企業招聘方、優質獵頭資源等共同參與分享大會。課程設計緊密圍繞學術界最新進展以及工業界的需求，涵蓋了所有核心知識點，并且結合了大量實戰項目，培養學員的動手能力，解決問題能來以及對知識的深入理解。
部分課程項目
課程適合誰？
有良好的機器學習基礎，有較強的編程能力
對數據結構與算法比較熟悉
之后想從事相關研究工作、或者之后想申請國外名校讀相關專業的碩士/博士
追求技術細節，對背后的why感興趣，不希望僅僅停留在使用工具層面的學員
已經在AI領域從事工作，但技術上感覺遇到了瓶頸，想進一步突破的學員
希望在工作中可以根據業務需求能夠提出新的模型，做一些創新
對NLP領域最新知識體系想有更深入的學習
想轉型到一線做AI工程師的學員
課程特色
內容上包含了作為AI頂級工程師必備的核心技術體系
內容上包含了大量最前沿的技術
具備一定的挑戰性和深度，區別于市面上的其他同類的課程。?
理論與實戰的結合，所有的理論會本質層面講起，而且非常通俗易懂，即便很難理解的BERT, Bayesian NN也會讓你能夠聽得懂并且能夠理解。每一個重要的知識點會配備實戰講解以及核心代碼review.
包含具有挑戰性的課程項目作業和理論作業，這些會幫助你更深入地理解學過的知識點
配備頂尖講師團隊，均在NLP和機器學習領域有很深的研究和工作經驗
教學模式
我們主要采用直播的方式，一周4-5次的直播教學，?包括2次的main lectures, 1-2次的discussion session (講解某一個實戰、必備基礎、案例或者技術上的延伸）， 1次的paper reading session (每周會assign一篇必備論文，并且直播解讀)。教學模式上也參考了美國頂級院校的教學體系。?以下為其中一周的課程安排，供參考。?
報名方式
請掃描下面的二維碼咨詢課程
服務體系
看完被嚇著了？這玩意學不會可咋整啊？
大魔頭是不會讓你以智商為理由逃跑的，我們為大家配備了全一線工程師的助教團隊，
嚴防死守以學不會為由的逃兵出現！
全職助教實時答疑
看論文的時候："誒？為什么好像看懂了，又不知道在講什么呢？"
不管你在學習過程中遇到多少阻礙，你都可以通過以下4種方式解決：
直接在線問導師；
或者記錄到共享文檔中，等待每日固定時間的直播答疑；
學習社群中全職助教，24h隨時提問答疑
共同的問題在Review Session里面做講解
來自師兄師姐的疑問：
編寫一些技術類文章
通過在知乎上發表相關技術文章進行自我成果檢驗，同時也是一種思想碰撞的方式，導師會對發表的每一篇文章寫一個詳細的評語。萬一不小心成為一個大V了呢？雖然寫文章的過程萬分痛苦，學習群里半夜哀嚎遍野，但看一看抓著頭發寫出來的文章結果還是非常喜人的！看著自己收獲的點贊數，大家都默默地感謝起大魔頭的無情！
這種滿滿的成就感，讓大家一篇接一篇寫了下去！
個個都立刻變身成了知乎大牛~
Project項目
除了文章，算法工程師立命的根本--項目代碼，大魔頭更是不會放過的。每次在Gitlab上布置的作業，大魔頭都會帶領助教團隊會予以詳細的批改和反饋。并逼著你不斷的優化！課程導師
看了這么多，是不是非常崇拜設計出如此地獄式學習計劃的大牛，那就來正式認識一下這位訓練營中人人聽了都聞風喪膽，但又讓人崇拜+喜愛+欲罷不能的訓練營大魔頭:
李文哲NLP、知識圖譜領域專家
美國南加州大學博士，曾任凡普金科（愛錢進）首席科學家，美國亞馬遜/高盛高級工程師，AI量化投資公司首席科學家兼投資總監。在AAAI, KDD, AISTATS等頂會上發表過15篇以上論文，其中3篇獲得Best Paper Award，累計數百次引用。畢業標準
進去企業敲門磚的”畢業證“如何得到？大魔頭之所以是大魔頭不單單因為技術牛，更因為他同時掌管著訓練營學員的生殺大權！光學習是怎么可以的，我們的訓練營是有考核的！大魔頭給學習成果定義了充分的可量化標準。貪心學院紅頭文件曬給你看：考核機制
這個被全網尊稱為能找到的最體系化，
最有挑戰的，
實踐性最強的，
最燒腦的，AI自然語言處理訓練營等著你們！
勇士們讓我看到你們的雙手~
報名方式
請掃描下面的二維碼咨詢課程
我們是誰？我們是一家專注于人工智能領域的在線教育公司，由一群有情懷的硅谷科學家來創辦。我們提供最專業的AI課程以及每月4-5期的免費AI類公開課。關注此公眾號（“貪心科技”）可以獲得相關的信息。
總結
以上是生活随笔為你收集整理的无惧秋招，您的NLP算法工程师魔鬼训练计划请查收的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： SIGIR 2019 开源论文 | 基于
- 下一篇： 智源-计算所虚假新闻检测大赛 | 探秘假