课程主页: https://www.coursera.org/learn/natural-language-processing-tensorflow
课程概述
如果你是一名软件开发者，想要构建可扩展的AI驱动算法，你需要了解如何使用工具来构建它们。这门专业化课程将教你使用TensorFlow——一个流行的开源机器学习框架的最佳实践。
在deeplearning.ai的TensorFlow专业化课程的第三部分中，你将学习如何使用TensorFlow构建自然语言处理系统。你将学习如何处理文本，包括将句子进行标记化并表示为向量，以便进行训练和分析。
课程大纲
文本中的情感分析
理解文本中的情感，尤其是在训练神经网络时，第一步是对文本进行标记化。这一过程将文本转换为数值，用数字表示单词或字符。本周，你将学习如何使用TensorFlow中的Tokenizer和pad_sequences API来准备和编码文本，使其为训练神经网络做好准备。
词嵌入
在上一周，你见识了如何使用Tokenizer准备文本，以便网络可以使用，将单词转换为数值令牌，并利用这些令牌进行序列化。这个星期，你将学习词嵌入（Embeddings），这些令牌将在高维空间中映射为向量。通过词嵌入和带标签的示例，这些向量可以调优，使得具有相似意义的单词在向量空间中具有相似的方向。这样，你将开始训练神经网络以理解文本中的情感，特别是开始分析电影评论，并根据正面或负面的标签训练网络，确定句子中哪些单词驱动了这些含义。
序列模型
在过去的几周，你首先学习了如何将单词标记化，以从中获得数值，然后使用词嵌入来根据标签分组具有相似意义的单词。此时你得到了一个良好但粗略的情感分析。但情感也可以通过单词的出现顺序来确立。例如，“not fun”显然与“fun”相反。本周你将开始深入研究各种模型格式，这些格式用于训练模型以理解序列中的上下文！
序列模型与文学
综合你在基于NLP训练神经网络方面学到的一切，本周我们将把重心转向预测。给定一段文本，你将能预测出最有可能跟随某个单词或短语的单词，并且可以重复这一过程。为了实现这一目标，本周你将构建一个诗歌生成器，它以传统爱尔兰歌曲的歌词进行训练，进而能生成优美的诗句！
课程主页: https://www.coursera.org/learn/natural-language-processing-tensorflow