这次错过今年就没机会了！
自然语言处理无非是目前最大的风口，从Word2Vec、ElMo、GPT、Bert到XLNet, 我们见证了这个领域的高速发展以及未来的前景。互联网中的大量的文本以及IOT时代赋予我们的全新交互带来了这个领域的爆发。
为了迎合这种变化，我们的课程也在不断迭代更新，保证不错过任何2周之内出现的重要技术。这次我们迎来了第五期NLP的招生，千万不要觉得这是一个对标其他线上课程的普通的训练营。由于内容的专业性以及深度，在过去吸引了大量的全球顶级名府的学员，这里不乏来自CMU, Columbia, USC, UCSD等美国顶级名校和清北上交等国内名校学员，还有很多准一线的工程师。
我们训练营的特色可以概括为：
体系化、专业性、深度、精细化讲解，
最重要的一点是可以帮助你看到里面的本质、而且能够把零零散散的知识点串起来，
我们只做AI教育，因为这是我们最擅长的领域！
另外，我们配备相应的教材，越早加入就有更多预习准备的时间！
课程大纲
第一阶段 算法与机器学习基础
. 时间复杂度，空间复杂度分析
. Master’s Theorem，递归复杂度分析
. 动态规划以及Dynamic Time Warpping
. Earth Mover’s Distance
. 维特比算法
. LR、决策树、随机森林、XGBoost
. 梯度下降法、随机梯度下降法、牛顿法
. Projected Gradient Descent
. L0, L1, L2, L-Infinity Norm
. Grid Search, Bayesian Optimization
. 凸函数、凸集、Duality、KKT条件
. 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
. 基于Sparse Quadratic Programming的股票投资组合优化策略编写
. 基于Earth Mover’s Distance的短文本相似度计算
. 基于Projected Gradient Descent和非负矩阵分解的词向量学习
. 基于Linear Programming的机票定价系统
. 基于DTW的文本相似度分析
第二阶段 语言模型与序列标注
. 文本预处理技术（tf-idf，Stemming等）
. 文本领域的特征工程
. 倒排表、信息检索技术
. Noisy Channel Model
. N-gram模型，词向量介绍
. 常见的Smoothing Techniques
. Learning to Rank
. Latent Variable Model
. EM算法与Local Optimality
. Convergence of EM
. EM与K-Means, GMM
. Variational Autoencoder与Text Disentangling
.有向图与无向图模型
. Conditional Indepence、D-separation、Markov Blanket
. HMM模型以及参数估计
. Viterbi、Baum Welch
. Log-Linear Model与参数估计
. CRF模型与Linear-CRF
. CRF的Viterbi Decoding与参数估计
. 基于无监督学习方法的问答系统搭建
. 基于监督学习的Aspect-Based 情感分析系统搭建
. 基于CRF、LSTM-CRF、BERT-CRF 的命名实体识别应用
. 基于语言模型和Noisy Channel Model的拼写纠错
第三阶段 信息抽取、词向量与知识图谱
[核心知识点]
. 命名实体识别技术
. 信息抽取技术
. Snowball, KnowitAll, RunnerText
. Distant Supervision, 无监督学习方法
. 实体统一、实体消歧义、指代消解
. 知识图谱、实体与关系
. 词向量、Skip-Gram、Negative Sampling
. 矩阵分解、CBOW与Glove向量
. Contexualized Embedding与ELMo
. KL Divergence与Gaussian Embedding
. 非欧式空间与Pointcare Embedding
. 黎曼空间中的梯度下降法
. 知识图谱嵌入技术
. TransE, NTN 的详解
. Node2Vec详解
. Adversial Learning与KBGAN
. 利用非结构化数据和信息抽取技术构建知识图谱
. 任务导向型聊天机器人的搭建
. 包含Intent与Entity Extraction的NLU模块实现
. 基于SkipGram的推荐系统实现（参考Airbnb论文）
第四阶段 深度学习与NLP
. Pytorch与Tensorflow详解
. 表示学习，分布式表示技术
. 文本领域中的Disentangling
. 深度神经网络与BP算法详解
. RNN与Vanishing/Exploding Gradient
. LSTM与GRU
. Seq2Seq与注意力机制
. Greedy Decoding与Beam Search
. BI-LSTM-CRF模型
. Neural Turing Machine
. Memory Network
. Self Attention，Transformer以及Transformer-XL.
. Bert的详解
. BERT-BiLSTM-CRF
. GPT，MASS, XLNet
. Low-resource learning
. 深度学习的可视化
. Laywer-wise Relevance Propagation
* 由于此领域的飞速发展，我们会在课程进行过程中也会及时更新，确保2周之内新出的重要技术第一时间可以理解并使用。
. 利用纯Python实现BP算法
. 基于Seq2Seq+注意力机制、基于Transformer的机器翻译系统
. 基于Transformer的闲聊型聊天机器人
. 基于BI-LSTM-CRF和BERT-BiLSTM-CRF在命名实体中的比较
. 利用Laywer-wise RP可视化端到端的机器翻译系统
第五阶段 贝叶斯模型与NLP
. 概率图模型与条件独立
. Markov Blanket
. Dirichlet分布、Multinomial分布
. Beta分布、Conjugate Prior回顾
. Detail Balance
. 主题模型详解
. MCMC与吉布斯采样
. 主题模型与Collapsed Gibbs Sampling
. Metropolis Hasting, Rejection Sampling
. Langevin Dyamics与SGLD
. 分布式SGLD与主题模型
. Dynamic Topic Model
. Supervised Topic Model
. KL Divergence与ELBO
. Variantional Inference, Stochastic VI
. 主题模型与变分法
. Nonparametric Models
. Dirichlet Process
. Chinese Restarant Process
. Bayesian Deep Neural Network
. VAE与Reparametrization trick
. Bayesian RNN/LSTM
. Bayesian Word2Vec
. MMSB
. 利用Collapsed Gibbs Sampler和SGLD对主题模型做Inference
. 基于Bayesian-LSTM的命名实体识别
. 利用主题模型做文本分类在
. LDA的基础上修改并搭建无监督情感分析模型
第六阶段 开放式项目 （Optional）
[项目介绍]
开放式项目又称为课程的capstone项目。作为课程中的很重要的一部分，可以选择work on一个具有挑战性的项目。通过此项目，可以深入去理解某一个特定领域，快速成为这个领域内的专家，并且让项目成果成为简历中的一个亮点。
[项目流程]：
Step 1: 组队
Step 2：立项以及提交proposal
Step 3: Short Survey Paper
Step 4: 中期项目Review
Step 5: 最终项目PPT以及代码提交
Step 6: 最终presentation
Step 7: Technical Report/博客
[输出结果]：
完整PPT、代码和Conference-Style Technical Report 最为项目的最后阶段，我们将组织学员的presentation大会。借此我们会邀请一些同行业的专家、从业者、企业招聘方、优质猎头资源等共同参与大会。
课程设计紧密围绕学术界最新进展以及工业界的需求，涵盖了所有核心知识点，并且结合了大量实战项目，培养学员的动手能力，解决问题能来以及对知识的深入理解。
部分课程项目
课程适合谁？
有良好的机器学习基础，有较强的编程能力 对数据结构与算法比较熟悉 之后想从事相关研究工作、或者之后想申请国外名校读相关专业的硕士/博士 追求技术细节，对背后的why感兴趣，不希望仅仅停留在使用工具层面的学员 已经在AI领域从事工作，但技术上感觉遇到了瓶颈，想进一步突破的学员 希望在工作中可以根据业务需求能够提出新的模型，做一些创新 对NLP领域最新知识体系想有更深入的学习 想转型到一线做AI工程师的学员
课程特色
内容上包含了作为AI顶级工程师必备的核心技术体系 内容上包含了大量最前沿的技术 具备一定的挑战性和深度，区别于市面上的其他同类的课程。 理论与实战的结合，所有的理论会本质层面讲起，而且非常通俗易懂，即便很难理解的BERT, Bayesian NN也会让你能够听得懂并且能够理解。每一个重要的知识点会配备实战讲解以及核心代码review. 包含具有挑战性的课程项目作业和理论作业，这些会帮助你更深入地理解学过的知识点 配备顶尖讲师团队，均在NLP和机器学习领域有很深的研究和工作经验
教学模式
我们主要采用直播的方式，一周4-5次的直播教学， 包括2次的main lectures, 1-2次的discussion session (讲解某一个实战、必备基础、案例或者技术上的延伸）， 1次的paper reading session (每周会assign一篇必备论文，并且直播解读)。教学模式上也参考了美国顶级院校的教学体系。以下为其中一周的课程安排，供参考。
服务体系
看完被吓着了？这玩意学不会可咋整啊？
大魔头是不会让你以智商为理由逃跑的，
我们为大家配备了全一线工程师的助教团队，
严防死守以学不会为由的逃兵出现！
全职助教实时答疑
看视频的时候：”诶？这步怎么推导出来的呢？”
编程跑项目实践的时候：”诶？这段代码是干嘛的呢？”
看论文的时候：”诶？为什么好像看懂了，又不知道在讲什么呢？”
不管你在学习过程中遇到多少阻碍，你都可以通过以下4种方式解决：
直接在线问导师； 或者记录到共享文档中，等待每日固定时间的直播答疑； 学习社群中全职助教，24h随时提问答疑 共同的问题在Review Session里面做讲解
注：每次答疑，班主任都会进行记录，以便学员实时查阅。
来自师兄师姐的疑问：
编写一些技术类文章
通过在知乎上发表相关技术文章进行自我成果检验，同时也是一种思想碰撞的方式，导师会对发表的每一篇文章写一个详细的评语。万一不小心成为一个大V了呢？
虽然写文章的过程万分痛苦，学习群里半夜哀嚎遍野，但看一看抓着头发写出来的文章结果还是非常喜人的！看着自己收获的点赞数，大家都默默地感谢起大魔头的无情！
这种满满的成就感，让大家一篇接一篇写了下去！
个个都立刻变身成了知乎大牛~
Project项目
除了文章，算法工程师立命的根本–项目代码，大魔头更是不会放过的。每次在Gitlab上布置的作业，大魔头都会带领助教团队会予以详细的批改和反馈。并逼着你不断的优化！
课程导师
看了这么多，是不是非常崇拜设计出如此地狱式学习计划的大牛，那就来正式认识一下这位训练营中人人听了都闻风丧胆，但又让人崇拜+喜爱+欲罢不能的训练营大魔头:
NLP、知识图谱领域专家
美国南加州大学博士，曾任凡普金科（爱钱进）首席科学家，美国亚马逊/高盛高级工程师，AI量化投资公司首席科学家兼投资总监。在AAAI, KDD, AISTATS等顶会上发表过15篇以上论文，其中3篇获得Best Paper Award，累计数百次引用。
毕业标准
进去企业敲门砖的”毕业证“如何得到？
大魔头之所以是大魔头不单单因为技术牛，更因为他同时掌管着训练营学员的生杀大权！光学习是怎么可以的，我们的训练营是有考核的！
大魔头给学习成果定义了充分的可量化标准。贪心学院红头文件晒给你看：
考核机制
我们也有严格的考核机制，包括项目作业的完成度、直播到课率、文章写作等要素。而且根据这些考核来确定毕业生以及优秀毕业生。针对于优秀毕业生，我们会提供很丰厚的激励机制。
再被大魔头折磨了多个日日夜夜后，大家不但没有放弃学习，而且很快乐地学习着，随便截几个图：
我确定了我们的魔鬼训练营没有误人子弟，我们的课程真的帮助到大家有人实质的技能提升或帮助大家拿到offer。今年九月，大魔头携带着他的第五期《NLP自然语言处理集中营》再度回归了。
2019NLP能这么骚，就要看你了~
这个被全网尊称为能找到的
最体系化，
最有挑战的，
实践性最强的，
最烧脑的，
AI自然语言处理训练营等着你们！
勇士们让我看到你们的双手~
我们是谁？我们是一家专注于人工智能领域的在线教育公司，由一群有情怀的硅谷科学家来创办。我们提供最专业的AI课程以及每月4-5期的AI类公开课。关注此（“贪心科技”）可以获得相关的信息。返回搜狐，查看更多
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
