“New-stu-training”的版本间的差异

来自SUDA-HLT
跳到导航 跳到搜索
 
（未显示2个用户的20个中间版本）
第10行： 第10行：
 
* 遇到一个题目，去下面的课件或讲义中寻找相关内容，进行快速学习和理解
 
* 遇到一个题目，去下面的课件或讲义中寻找相关内容，进行快速学习和理解
 
** 做基础练习的时候，要关注主要知识点，不要陷入细枝末节，否则的话，进度就太慢了。比如随机过程，这个本身是非常大的一个概念，千万不要钻进去学习，了解其基本概念、例子即可。
 
** 做基础练习的时候，要关注主要知识点，不要陷入细枝末节，否则的话，进度就太慢了。比如随机过程，这个本身是非常大的一个概念，千万不要钻进去学习，了解其基本概念、例子即可。
−
** 总之，一切以正确完成编程题目为主要目标，先做出来，然后做对，最后做好
+
** 以正确完成编程题目为主要目标。我相信，等编程作业做完了，很多知识点就会有自己的理解了
−
** 我相信，等编程作业做完了，很多知识点就会有自己的理解了
+
** '''做事情的三步：<font color="#FF0000">做出来、做对、做好</font>'''
 
* 注意，<font color="#FF0000">千万不要直接看别人写好的代码，一定要努力自己去理解和消化。</font>一定要有一个自己思考的过程，尽最大努力自己写代码，即使效率低，准确率差，也没关系。通过自己的思考，逐渐优化和提高。这个过程非常重要，很有意义。
 
* 注意，<font color="#FF0000">千万不要直接看别人写好的代码，一定要努力自己去理解和消化。</font>一定要有一个自己思考的过程，尽最大努力自己写代码，即使效率低，准确率差，也没关系。通过自己的思考，逐渐优化和提高。这个过程非常重要，很有意义。
 
* 另外，<font color="#FF0000">尽量不要在网上找各种参考资料。</font>虽然我的讲义很精简，但是如果仔细看，认真思考，推导，一定能搞明白。这个过程也很重要，对自我提升很有帮助。
 
* 另外，<font color="#FF0000">尽量不要在网上找各种参考资料。</font>虽然我的讲义很精简，但是如果仔细看，认真思考，推导，一定能搞明白。这个过程也很重要，对自我提升很有帮助。
第18行： 第18行：
  
 
== 参考书目 ==
 
== 参考书目 ==
 +
* Dan Jurafsky. [https://web.stanford.edu/%7Ejurafsky/slp3/ Speech and Language Processing][https://www.kancloud.cn/drxgz/slp20201230#/dashboard 中文翻译] (强烈推荐！)
 
* [http://neuralnetworksanddeeplearning.com/ Neural networks and deep learning]（李正华强烈推荐，看完前三章就差不多了）
 
* [http://neuralnetworksanddeeplearning.com/ Neural networks and deep learning]（李正华强烈推荐，看完前三章就差不多了）
 
* Andrew Ng的视频:[https://mooc.study.163.com/university/deeplearning_ai#/c 吴恩达深度学习(带中文字幕)]
 
* Andrew Ng的视频:[https://mooc.study.163.com/university/deeplearning_ai#/c 吴恩达深度学习(带中文字幕)]
 
* Chris Manning. 2005. 统计自然语言处理基础.
 
* Chris Manning. 2005. 统计自然语言处理基础.
−
* Dan Jurafsky. Speech and Language Processing
 
 
* 宗成庆. 2008. 统计自然语言处理.
 
* 宗成庆. 2008. 统计自然语言处理.
 
* 李航. 2012. 统计学习方法.
 
* 李航. 2012. 统计学习方法.
第54行： 第54行：
 
|}
 
|}
  
−
* [http://120.132.13.131:8080/wiki/index.php/新生训练营 大数据集]
+
* [http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/ctb5-postagged.tar.gz 大数据集]
 
{| class="wikitable"
 
{| class="wikitable"
 
! style="text-align:left;"| 训练
 
! style="text-align:left;"| 训练
第71行： 第71行：
  
 
=== 分字 ===
 
=== 分字 ===
−
给定文件，将文件中的句子按照字（字符）切分，字符中间用空格隔开。用C/C++实现。Python（3.0）可以直接用split处理UTF8编码的字符串，也试试，对比一下结果。
 
  
−
* 参考资料：[[File:Chinese-encoding.pdf]]
+
* 2022春IR课程视频和图片：
−
 
+
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-low-quality.mp4 作业1]
−
* 数据：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/2-chinese-encoding/example.tar.gz 几个不同编码的文件]，可以用hexdump查看。也可以自己生成不同编码的文件。
+
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-part-1.mp4 作业1-part1]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-part-2.mp4 作业1-part2]
−
* 2022春图片和视频：
+
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-figure-1.jpg 图1]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/split-char-figure-2.jpg 图2]
−
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/assignment-1-low-quality.mp4 作业1]
+
* UTF-8数据：[[文件:sentence.txt]]
−
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/assignment-1-part-1.mp4 作业1-part1] [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/assignment-1-part-2.mp4 作业1-part2]
 
−
** 图片：xxxx
 
−
* 数据：[[文件:sentence.txt]]
 
 
* UFT-8编码规则：
 
* UFT-8编码规则：
 
  <nowiki>
 
  <nowiki>
第90行： 第86行：
 
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx </nowiki>
 
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx </nowiki>
  
 +
* 下面的内容可以不看
 +
** 给定文件，将文件中的句子按照字（字符）切分，字符中间用空格隔开。用C/C++实现。Python（3.0）可以直接用split处理UTF8编码的字符串，也试试，对比一下结果。
 +
** 参考资料：[[File:Chinese-encoding.pdf]]
 +
** 数据：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/2-chinese-encoding/example.tar.gz 几个不同编码的文件]，可以用hexdump查看。也可以自己生成不同编码的文件。
  
 
=== 最大匹配分词 ===
 
=== 最大匹配分词 ===
 +
 +
* 2022春IR课程视频和图片：
 +
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match-low-quality.mp4 作业3]
 +
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match.mp4 作业3]
 +
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/word-seg-max-match.jpg 图]
 +
 +
* 数据下载：
 +
** 字典：[[文件:dict.txt]]
 +
** 待分词：[[文件:sentence.txt]]
 +
** 正确答案（人工标注的，你的模型的预测结果要和这个文件进行对比，从而得到P/R/F值）：[[文件:answer.txt]]；
 +
** 正向最大匹配分词模型的预测结果（如果你的程序写对了，那么应该和这个结果一模一样）：[[文件:out.txt]]
 +
 +
<nowiki>
 +
*正确实验结果
 +
**正确识别的词数：20263
 +
**识别出的总体个数：20397
 +
**测试集中的总体个数：20454
 +
**正确率：0.99343
 +
**召回率：0.99066
 +
**F值：0.99204
 +
</nowiki>
 +
* 下面的内容可以不看
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/5-chinese-word-segmentation/max-match.ppt 最大匹配]
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/5-chinese-word-segmentation/max-match.ppt 最大匹配]
  
 
=== 有监督HMM词性标注 ===
 
=== 有监督HMM词性标注 ===
 +
* 图片和视频：
 +
** 低画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-1.mp4 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-2.mp4 第2部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-3.mp4 第3部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-4.mp4 第4部分]
 +
** 高画质：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-1-hd.mp4 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-2-hd.mp4 第2部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-3-hd.mp4 第3部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-4-hd.mp4 第4部分]
 +
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-1.jpg 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-2.jpg 第2部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-3.jpg 第3部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/HMM-part-4.jpg 第4部分]
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/collins-tagging.pdf Collins教授课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/main.pdf 李正华的课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/HMM-v2.pptx 理解HMM的Viterbi]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging-MLE/main.pdf HMM模型中极大似然估计的由来(公式推导)]
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/collins-tagging.pdf Collins教授课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/main.pdf 李正华的课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging/HMM-v2.pptx 理解HMM的Viterbi]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/7-hmm-tagging-MLE/main.pdf HMM模型中极大似然估计的由来(公式推导)]
  
第100行： 第126行：
 
* 要点：判别模型、partial feature
 
* 要点：判别模型、partial feature
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/9-linear-model/main2.pdf 李正华老师课件]
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/9-linear-model/main2.pdf 李正华老师课件]
 +
* 图片和视频：
 +
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-1.mp4 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-2.mp4 第2部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-3.mp4 第3部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-4.mp4 第4部分]、[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-5.mp4 第5部分]
 +
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-1.jpg 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-2.jpg 第2部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-3.jpg 第3部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-4.jpg 第4部分]、[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/linear-model-5.jpg 第5部分]
  
 
=== 基于最大熵（max-entropy，log-linear）模型的词性标注 ===  
 
=== 基于最大熵（max-entropy，log-linear）模型的词性标注 ===  
 
* 要点：梯度下降方法，Adam优化
 
* 要点：梯度下降方法，Adam优化
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/10-maxent-loglinear/main.pdf 李正华老师课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/10-maxent-loglinear/collins-loglinear.pdf Collins教授课件]
 
* 参考课件：[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/10-maxent-loglinear/main.pdf 李正华老师课件]、[http://hlt.suda.edu.cn/~zhli/teach/cip-2015-fall/10-maxent-loglinear/collins-loglinear.pdf Collins教授课件]
 +
* 图片和视频：
 +
** 视频：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/Maximum-entropy-1.mp4 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/Maximum-entropy-2.mp4 第2部分]
 +
** 图片：[http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/Maximum-entropy-1.jpg 第1部分]、 [http://hlt.suda.edu.cn/LA/Ir-2022-Spring/HMM/Maximum-entropy-2.jpg 第2部分]
  
 
=== 基于全局线性模型（global linear model）的词性标注 ===
 
=== 基于全局线性模型（global linear model）的词性标注 ===

2024年8月11日 (日) 04:14的最新版本

李正华TODO

 我的PPT不好，有的要简化，例如GB编码没有具体说明：两个字节，第一个字节怎么样。
 有的需要更详细、更丰满。

说明

  • 所有俱乐部同学，包括刚进入实验室的研究生，都要做NLP基础编程练习，一方面提高编程能力，另一方面打好机器学习和自然语言处理的基础
  • 我们精心设计了一系列的基础练习作业，从简单到复杂，逐步深入：题目（课程）主页
  • 请直入主题，从题目出发，按照推荐的顺序，逐一做
  • 遇到一个题目，去下面的课件或讲义中寻找相关内容，进行快速学习和理解
    • 做基础练习的时候，要关注主要知识点，不要陷入细枝末节，否则的话，进度就太慢了。比如随机过程，这个本身是非常大的一个概念，千万不要钻进去学习，了解其基本概念、例子即可。
    • 以正确完成编程题目为主要目标。我相信，等编程作业做完了，很多知识点就会有自己的理解了
    • 做事情的三步：做出来、做对、做好
  • 注意，千万不要直接看别人写好的代码，一定要努力自己去理解和消化。一定要有一个自己思考的过程，尽最大努力自己写代码，即使效率低，准确率差，也没关系。通过自己的思考，逐渐优化和提高。这个过程非常重要，很有意义。
  • 另外，尽量不要在网上找各种参考资料。虽然我的讲义很精简，但是如果仔细看，认真思考，推导，一定能搞明白。这个过程也很重要，对自我提升很有帮助。
    • 任何一个理论或方法，从不同角度都可以进行解释，看的角度多了，就没有自己的角度了。网上的各种资料，都是从不同角度来说同一个事，看多了就乱了。
  • 如果有问题，可以找自己的mentor去讨论，如果mentor也不懂，那说明mentor也没理解，就可以发邮件给老师。

参考书目

...

神经网络公开课第十三章：面向自然语言处理的神经网络 （苏州大学 李正华）

数据（utf8编码）

CoNLL格式的含义

  • 每个词占一行，每行的第2列为当前词语，第4列为当前词的词性，第7列为当前词的中心词的序号，第8列为当前词语与中心词的依存关系。句子与句子之间以空行间隔。

最大匹配分词数据

词性标注数据

训练 开发
803句 1910句
训练 开发 测试
16091句 803句 1910句
  • 示例： 输入：严守一 把 手机 关 了 输出：严守一/NR 把/P手机/NN关/VV 了/SP

基础编程训练列表

分字

1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
  • 下面的内容可以不看
    • 给定文件，将文件中的句子按照字（字符）切分，字符中间用空格隔开。用C/C++实现。Python（3.0）可以直接用split处理UTF8编码的字符串，也试试，对比一下结果。
    • 参考资料：文件:Chinese-encoding.pdf
    • 数据：几个不同编码的文件，可以用hexdump查看。也可以自己生成不同编码的文件。

最大匹配分词

  • 2022春IR课程视频和图片：
  • 数据下载：
    • 字典：文件:Dict.txt
    • 待分词：文件:Sentence.txt
    • 正确答案（人工标注的，你的模型的预测结果要和这个文件进行对比，从而得到P/R/F值）：文件:Answer.txt；
    • 正向最大匹配分词模型的预测结果（如果你的程序写对了，那么应该和这个结果一模一样）：文件:Out.txt
*正确实验结果
**正确识别的词数：20263
**识别出的总体个数：20397
**测试集中的总体个数：20454
**正确率：0.99343
**召回率：0.99066
**F值：0.99204

有监督HMM词性标注

基于线性模型（linear model）的词性标注

基于最大熵（max-entropy，log-linear）模型的词性标注

基于全局线性模型（global linear model）的词性标注

基于条件随机场（conditional random field，CRF）模型的词性标注

  • 要点：全局概率、期望、Forward-backward结合、viterbi解码
  • 参考课件：李正华老师课件

基于前馈神经网络（FFN）的词性标注

  • 要点：必须自己实现前向计算loss，和backpropagation。
  • 参考：neural networks and deeplearning神经网络入门书籍 基本阅读完前三章即可完成本任务. 吴恩达深度学习(带中文字幕)

基于FFN-CRF的词性标注

  • 要点：仍然自己实现前向计算loss，和backpropagation。
  • 提示：将神经网络输出看成发射矩阵，之后加上转移矩阵

基于BiLSTM的词性标注

  • 要点：可以利用Pytorch自带的。Dropout等的使用，是关键。

基于BiLSTM-CRF的词性标注

github已有代码，不同同学的代码可以看不同的branch：

github网址

后续自主学习扩展

基于图的依存句法分析

直接用神经网络实现即可。Biaffine Parser框架。

重点：Eisner动态规划解码算法（看我的COLING-2014 tutorial）

进而可以扩展到TreeCRF，将Eisner算法扩展为inside算法。

具体看我们的ACL-2020文章：Yu Zhang et al.

基于转移的依存句法分析

了解一下转移系统

Seq2Seq (RNN) NMT with attention

了解一下语言生成

Transformer NMT

这里面的技术细节很多。


无监督学习

HMM-EM

VAE

ELMo/BERT的原理

取自“http://hlt.suda.edu.cn/index.php?title=New-stu-training&oldid=5524”