第一部分：机器学习基础篇

第一章：自然语言处理概述

• 什么是自然语言处理

• 自然语言处理的现状与前景

• 自然语言处理应用

• 自然语言处理经典任务

• 职业发展

第二章：数据结构与算法基础

• 时间复杂度、空间复杂度

• 动态规划

• 贪心算法

• 各种排序算法

第三章：分类与逻辑回归

• 逻辑回归介绍

• 最大似然估计

• 优化与梯度下降法

• 随机梯度下降法

第四章：模型泛化与调参

• 理解过拟合

• 防止过拟合

• L1与L2正则

• 交叉验证

• 正则与MAP估计

第二部分：文本处理篇

第五章：文本预处理与表示

• 各类分词算法

• 词的标准化

• 拼写纠错、停用词

• 独热编码表示

• tf-idf与相似度

• 分布式表示与词向量

• 词向量可视化与评估

第六章：词向量技术

• 独热编码的优缺点

• 分布式表示的优点

• 静态词向量与动态词向量

• SkipGram与CBOW

• SkipGram详解

• Negative Sampling

第七章：语言模型

• 语言模型的作用

• 马尔科夫假设

• UniGram, BiGram, NGram模型

• 语言模型的评估

• 语言模型的平滑技术

第三部分：序列模型篇

第八章：隐马尔科夫模型

• HMM的应用

• HMM的Inference

• 维特比算法

• 前向、后向算法

• HMM的参数估计详解

第九章：线性条件随机场

• 有向图与无向图

• 生成模型与判别模型

• 从HMM与MEMM

• MEMM中的标签偏置

• Log-Linear模型介绍

• 从Log-Linear到LinearCRF

• LinearCRF的参数估计

第四部分：深度学习与预训练篇

第十章：深度学习基础

• 理解神经网络

• 各种常见的激活函数

• 反向传播算法

• 浅层模型与深度模型对比

• 深度学习中的层次表示

• 深度学习中的过拟合

第十一章：RNN与LSTM

• 从HMM到RNN模型

• RNN中的梯度问题

• 梯度消失与LSTM

• LSTM到GRU

• 双向LSTM

• 双向深度LSTM

第十二章：Seq2Seq模型与注意力机制

• Seq2Seq模型

• Greedy Decoding

• Beam Search

• 长依赖所存在的问题

• 注意力机制的实现

第十三章：动态词向量与ELMo技术

• 基于上下文的词向量技术

• 图像识别中的层次表示

• 文本领域中的层次表示

• ELMo模型

• ELMo的预训练与测试

• ELMo的优缺点

第十四章：自注意力机制与Transformer

• LSTM模型的缺点

• Transformer概述

• 理解自注意力机制

• 位置信息的编码

• 理解Encoder和Decoder区别

• 理解Transformer的训练与预测

• Transformer的缺点

第十五章：BERT与ALBERT

• 自编码介绍

• Transformer Encoder

• Masked语言模型

• BERT模型

• BERT的不同训练方式

• ALBERT

第十六章：BERT的其他变种

• RoBERTa模型

• SpanBERT模型

• FinBERT模型

• 引入先验知识

• K-BERT

• KG-BERT

第十七章：GPT与XLNet

• Transformer Encoder回顾

• GPT-1, GPT-2, GPT-3

• ELMo的缺点

• 语言模型下同时考虑上下文

• Permutation LM

• 双流自注意力机制

第五部分：信息抽取与知识图谱篇

第十八章：命名识别与实体消歧

• 信息抽取的应用和关键技术

• 命名实体识别

• NER识别常用技术

• 实体统一技术

• 实体消歧技术

• 指代消解

第十九章：关系抽取

• 关系抽取的应用

• 基于规则的方法

• 基于监督学习的方法

• Bootstrap方法

• Distant Supervision方法

第二十章：句法分析

• 句法分析的应用

• CFG介绍

• 从CFG到PCFG

• 评估语法树

• 寻找最好的语法树

• CKY算法

第二十一章：依存文法分析

• 从语法分析到依存文法分析

• 依存文法分析的应用

• 基于图算法的依存文法分析

• 基于Transition-based的依存文法分析

• 依存文法的应用案例

第二十二章：知识图谱

• 知识图谱的重要性

• 知识图谱中的实体与关系

• 非结构化数据与构造知识图谱

• 知识图谱设计

• 图算法的应用

第六部分：模型压缩与图神经网络篇

第二十三章：模型的压缩

• 模型压缩重要性

• 常见的模型压缩总览

• 基于矩阵分解的压缩技术

• 基于蒸馏的压缩技术

• 基于贝叶斯模型的压缩技术

• 模型的量化

第二十四章：基于图的学习

• 图的表示

• 图与知识图谱

• 关于图的常见算法

• Deepwalk和Node2vec

• TransE图嵌入算法

• DSNE图嵌入算法

第二十五章：图神经网络

• 卷积神经网络回顾

• 在图中设计卷积操作

• 图中的信息传递

• 图卷积神经网络

• 图卷积神经网络的经典应用

第二十六章：GraphSage与GAT

• 从GCN到GraphSAge

• 注意力机制回归

• GAT模型详解

• GAT与GCN比较

• 对于异构数据的处理

第二十七章：图神经网络的其他应用

• Node Classification

• Graph Classification

• Link Prediction

• 社区挖掘

• 推荐系统

• 图神经网络的未来发展