不知道同學們對于數學中的向量的概念還有沒有印象，Word Embedding就是這樣一個概念，更簡單的說就是將文本數據轉換為數值型數據，形成一個映射，因為機器學習方法中是無法直接處理文本數據的。所以這個映射幾乎可以說是一個自然語言處理的一個橋梁，是必須掌握的機器學習高階課程。課程是需要同學們具備基本的機器學習概念的，課程內容依舊是理論+實戰+項目的進行方法，很適合來提升技術，關于Word Embedding更多技術課程中非常詳細的介紹，同學們快開始學習吧。
===============課程目錄===============
├─1 課程整體介紹及大綱剖析.ts
├─2 什么是one-hot編碼.ts
├─3 one-hot在提取文本特征上的應用.ts
├─4 one-hot編碼手動實現.ts
├─5 ont-hot編碼keras中實現.ts
├─6 word2vec的前世今生.ts
├─7 word2vec需要注意的關鍵點.ts
├─8 sigmoid與softmax函數講解.ts
├─9 二叉樹相關知識講解.ts
├─10 Huffman樹講解.ts
├─11 Huffman編碼講解.ts
├─12 語言模型講解.ts
├─13 神經網絡語言模型概念講解.ts
├─14 神經網絡語言模型數學理論部分講解.ts
├─15 word2vec中Skip-Gram實現方式講解.ts
├─16 word2vec中CBOW實現方式講解.ts
├─17 word2vec訓練方式負采樣講解.ts
├─18 word2vec訓練方式層序softmax講解.ts
├─19 讀取停用詞.ts
├─20 文本預處理上.ts
├─21 文本預處理下.ts
├─22 文本編碼處理講解.ts
├─23 批量數據生成講解.ts
├─24 遺留問題解決講解.ts
├─25 word2vec模型實現講解.ts
├─26 word2vec模型訓練講解.ts
├─27 word2vec可視化展示.ts
├─28 gensim中word2vec參數講解.ts
├─29 gensim-word2vec實戰之加載停用詞.ts
├─30 gensim-word2vec實戰之文本預處理.ts
├─31 gensim-word2vec實戰之模型訓練.ts
├─32 gensim-word2vec實戰之模型保存與加載.ts
├─33 gensim-word2vec實戰之應用講解.ts
├─34 fasttext之Subword n-gram講解.ts
├─35 fasttext之分層softmax講解.ts
├─36 fasttext實戰之數據集簡介及停用詞加載.ts
├─37 fasttext實戰之文本預處理.ts
├─38 fasttext實戰之文本分類模型訓練.ts
├─39 fasttext實戰之模型使用講解.ts
├─40 fasttext實戰之訓練詞向量.ts
├─41 什么是Glove講解.ts
├─42 Glove如何實現講解.ts
├─43 Glove如何訓練講解.ts
├─44 Glove數學原理講解上.ts
├─45 Glove數學原理講解下.ts
├─46 Glove實戰是初識Glove.ts
├─47 Glove實戰之求近義詞.ts
├─48 Glove實戰之求類比詞.ts
├─49 項目實戰之項目簡介及數據集介紹.ts
├─50 項目實戰之GrobalParament模塊編寫.ts
├─51 項目實戰之utils模塊中讀取停用詞方法編寫.ts
├─52 項目實戰之utils模塊中分詞方法封裝.ts
├─53 項目實戰之utils模塊中文本預處理方法編寫.ts
├─54 項目實戰之utils模塊中文本預處理優化.ts
├─55 項目實戰之train_model模塊之word2vec訓練.ts
├─56 項目實戰之訓練好的word2vec模型剖析.ts
├─57 項目實戰之word2vec整體訓練.ts
├─58 項目實戰之相似度計算上.ts
├─59 項目實戰之相似度計算中.ts
├─60 項目實戰之相似度計算下.ts
├─61 項目實戰之結果輸出.ts
├─62 項目實戰整體總結.ts
├─動手學詞向量課程資料.zip
