泰迪科技第六届“Python集训营”开幕通知

TensorFlow基础及应用

实战1：电商评论数据情感分析（瀚文本分析）

文本分类（Text Categorization）:垃圾短信分类

1、总体流程

2、文本预处理技术

2.1 分词（Word Segmentation）
2.2 正则表达式（Regular Expression）
2.3 停用词（Stop Words）
2.4 词云（WordCloud）绘制

3、文本的向量表示

3.1 文本特征选取（feature extraction）：字、词、短语等
3.2 特征权重计算：布尔值、词频TF、TF-IDF等

4、常用文本分类器（Text Classifier）

4.1 朴素贝叶斯（Navie Bayes）
4.2 支持向量机（SVM）
4.3 最近邻算法（KNN）

5、分类性能评测（Model Evaluation）

5.1 查准率、查全率、F1值
5.2 交叉验

情感分析（Sentiment Anlaysis）

1、数据不平衡

1.1 出现的原因
1.2 解决方案

2、基于情感词典进行情感评分

3、基于机器学习进行情感分类（Sentiment Classification）

4、依存句法分析主语

5、案例：电商评论数据情感分析

5.1 了解电商企业现状
5.2 获取电商产品评论数据
5.3 评论数据预处理
5.4 评论情感倾向性分析
5.5 评论数据主题分析

TensorFlow基础及应用

1、深度学习

1.1 深度学习基础
1.2 深度学习工具
1.3 BP神经网络原理及实现

2、TensorFlow安装与基础语法

2.1 TensorFlow计算模型性：计算图
2.2 TensorFlow数据模型：张量Tensor
2.3 TensorFlow运行模型：会话
2.4 例子：拟合三维平面

3、BP神经网络实现MNIST手写字体识别

3.1 读取MNIST手写字体数据集
3.2 前向传播网络构建
3.3 反向传播、损失函数构建
3.4 运行计算图进行模型训练

案例：电商网站智能客服应用

1、案例背景介绍

1.1 案例背景
1.2 系统架构及流程
1.3 数据介绍及分析目标

2、词表征（Word Representation）

2.1 词表征的背景与应用
2.2 one-hot编码
2.3 word2vec原理及实现
2.4 练习：《鹿鼎记》的word2vec实现

3、数据预处理

3.1 分词、去除停用词、近义词处理
3.2 生成词向量（Word2Vec）
3.3 构造文本相似度基本特征

4、深度学习挖掘语义特征

4.1 词向量组合相似度
4.2 神经网络编码的相似度计算

5、集成学习建模

1、案例背景及目标

1.1 聊天机器人现状
1.2 资料推荐

2、语料库（Corpus）准备并构建字典

2.1 分词并构建字典
2.2 文本转为ID向量并保存
2.3 Word2Vec训练并保存

3、循环神经网络（Recurrent Neural Network,RNN）基本原理

3.1 循环神经网络RNN原理
3.2 使用TensorFlow构建RNN进行MNIST手写字体识别
3.3 Seq2Seq模型原理

4、定义ChatBot计算图

4.1 定义模型输入Tensor
4.2 Encoder端计算图
4.3 Decoder端计算图
4.4 构建基于注意力（Attention Mechanism）的Seq2Seq模型
4.5 定义损失函数（Loss Function）和优化器（Optimizer）
4.6 梯度剪枝（Gradient Clipping）

5、执行计算图

5.1 批处理数据
5.2 使用checkpoint文件保存与调用模型参数
5.3 模型训练与结果展示
5.4 调用测试计算图进行对话