【阶段总结】《非结构化信息分析应用与实践（筹）》

《非结构化信息分析应用与实践（筹）》

Part 1.知识储备

一、机器学习

1.几种常见的有监督学习算法

2.几种常见的无监督学习算法

3.数据挖掘基础知识 30 问

二、神经网络与深度学习

1.MP神经网络模型（附实例代码讲解）

2.图解LSTM和GRU

3.图解机器翻译模型：基于注意力机制的 Seq2Seq

三、应用与实践（一）

1.基于时间序列的预测方法

2.利用机器学习算法进行预测分析（一）：移动平均（Moving Average）

3.利用机器学习算法进行预测分析（二）：线性回归（Linear Regression）

4.利用机器学习算法进行预测分析（三）：最近邻（K-Nearest Neighbours）

5.利用机器学习算法进行预测分析（四）：自回归差分移动平均模型（AutoARIMA）

6.利用机器学习算法进行预测分析（五）：Prophet

7.利用机器学习算法进行预测分析（六）：长短时记忆网络（LSTM）

8.基于Streamlit制作的时间序列数据分析APP（上手简单，附可运行源码）

9.如何量化时间序列之间的相似性？

10.利用时间序列聚类细分客户（以电力行业为背景）

Part 2.非结构化信息分析

四、文本分析

1.文本表示（一）：One-Hot、BOW、TF-IDF、N-Gram

2.BOW和TF-IDF详解

3.词袋模型在文本分类中的用法

4.文本相似度算法：TF-IDF与BM25

5.利用TextRank算法提取关键词

6.基于TextRank算法的文本摘要

7.图解Word2Vec

8.Gensim核心概念

9.Gensim中的Word2Vec

10.主题建模评估：连贯性分数（Coherence Score）

11.主题建模：基于 LDA 实现

12.主题建模：BERTopic（理论篇）

13.主题建模：BERTopic（实战篇）

14.基于 LDA 和 BERTopic 的 COVID-19 论文内容分析

15.从 “文本” 到 “知识”：信息抽取（Information Extraction）

16.基于scattertext的 “十二五和十三五规划” 文本分析

五、应用与实践（二）

1.基于NLP的电影评论情感分析模型比较

2.情感分析（一）：基于 NLTK 的 Naive Bayes 实现

3.情感分析（二）：基于 scikit-learn 的 Naive Bayes 实现

4.情感分析（三）：基于 Word2Vec 的 LSTM 实现

5.情感分析（四）：基于 Tokenizer 和 Word2Vec 的 CNN 实现

6.情感分析（五）：基于 BERT 实现

---

如果有机会，我想写本书，书名如题所示，哈哈！持续更新中！