Part1 - NLP 經典機器學習馬拉松 - Cupoy

Part1 - NLP 經典機器學習馬拉松

NLP自然語言機器學習馬拉松是一個結合自學、專家協助及社群討論的AI自學挑戰活動，目標是利用 100 天的時間讓學員掌握自然語言與機器學習/深度學習的關鍵知識點和實務技術應用。（本活動機器學習與深度學

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定

• Python NLP 程式基礎

  利用Python處理String(字串)資料型態，為日後數據前處理奠定基石

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • Python 文字處理函數介紹

    了解如何在 Python 中處理 String 型數據，日後在數據前處理上能更為上手，並且乾淨的資料也是訓練良好模型的重要一環。

  • 正規表達式

    正則表達式可以幫助我們擷取文字內所需要的部分，是做前處理重要的利器。

  • 正規表達式

    利用Python操作正規表達式。

• 詞彙與分詞技術

  英文資料不需要，中文資料很重要的斷詞技術與可應用選字系統、與錯字勘正的經典基礎語言模型

  • NLP 中文斷詞

  • 使用結巴進行中文斷詞

  • 使用 CkipTagger 進行中文斷詞

  • 基礎語言模型：N-Gram

  • 基礎語言模型：N-Gram

• NLP詞性標註方法

  給予字詞詞性特徵，為NLP的任務中提供低層次的語義信息

  • 詞性標註(Part-of-speech tagging)

  • 詞性標註(Part-of-speech tagging)

• 文字預處理與詞向量技術

  利用各種不同技術，將文字轉化為可供模型訓練的向量型態

  • 詞袋模型(Bag-of-words)

  • 詞幹/詞條提取：Stemming and Lemmatization

  • 文字預處理

  • Term Frequency - Inverted Document Frequency (TF-IDF)

  • 計數方法詞向量介紹

  • 計數方法詞向量實作介紹

• NLP與經典機器學習模型

  利用經典機器學習模型解決如垃圾郵件與情緒分類等NLP相關任務

  • K-近鄰演算法

  • K-近鄰演算法

  • KNN 實作

  • Naive Bayes 原理

  • 手刻 Naive Bayes (單純貝氏)

  • Naive Bayes 實作 (單純貝氏)

  • 決策樹演算法(Decision Tree)

  • 隨機森林演算法(Random Forest)

  • Adaboost 演算法

  • 實作樹型(Tree Base)模型

  • 實作樹型(Tree Base)模型

• 期末實務專題(一) 自製中文選字系統

  自製中文選字系統，利用NLP技術讓機器預測下一個字。

  • 自製中文選字系統：基礎篇

  • 自製中文選字系統：進階篇

• 期末實務專題(二) 建制新聞分類器

  建製新聞分類器，利用NLP技術看標題就可以自動分類別。

  • 建製新聞分類器：基礎篇

  • 建製新聞分類器：進階篇

  • 建製新聞分類器：PPMI＋SVD

• 期末實務專題(三) 文件分類－垃圾郵件

  垃圾郵件分類(判斷是否為垃圾郵件)是 NLP 非常有價值的應用，請同學練習從實例中，以ML技巧對這些電郵簡訊做預測。

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 基礎篇

  • 文件分類：垃圾郵件偵測器 (Spam Detector) 進階篇

• 期末實務專題(四) 文件分類－情緒分析

  文件分類情緒分析的應用，主要是協助電商自動地將所銷售的產品，將使用者評論依照正向和負向分類，以便做統計分析，提高未來的銷售量和服務品質。

  • 文件分類：產品評分情緒分析(Sentiment Analysis)

• 期末實務專題(五) 潛在語意分析

  我們用SVD將編碼後的多維向量字降至低維，再用matplotlib把前兩維攤在平面上，我們可用放大鏡來檢視各個字在這些文章題目中彼此的距離，達到分類效果。

  • 潛在語意分析(Latent Semantics Analysis)

• 期末實務專題(六)

  三連詞(Trigram)是以上下文猜測目標文字的技巧，本習題是Trigram技術用來改寫一篇現成文章，用不同的字卻有相近的意思。

  • 三連詞(Trigram)之應用

• 期末實務專題(七)

  • Rule-based chatbot (單輪對話)

• 期末實務專題(八)

  • 聊天機器人(多輪情境)

  • Google Dialogflow 簡介

  • Linebot 基本設定