Markov 模型
https://cn.udacity.com/course/natural-language-processing-nanodegree--nd892-cn
第一部分：自然语言处理入门
学习文本处理的基础知识，包括词干分解和词形还原，探索情感分析的机器学习方法，并建立一个词性标注模型。
包括：
自然语言处理简介：简要介绍如何构建自然语言处理管道。
文本处理：学习通过以下方式整理来自不同来源的文本以进一步处理这些文本：清理、标准化并拆分为单个单词或标记。
利用朴素贝叶斯的垃圾邮件分类器：学习如何使用朴素贝叶斯算法构建垃圾邮件分类器。
利用 HMM 进行词性标注：介绍多个词性标注方法，并深入讲解隐马尔可夫模型。
书虫：学习如何使用 IBM Watson 构建简单的问答代理。
实战项目 1：词性标注技术
第二部分：自然语言运算
学习词汇嵌入和深度学习注意机制等进阶技术，并使用递归神经网络结构建立一个机器翻译模型。
包括：
特征提取和嵌入：利用词袋、TF-IDF、Word2Vec 和 GloVE 等方法转换文本，以提取可以用于机器学习模型的特征。
主题建模：学习如何使用潜在狄利克雷分析 (LDA) 将文档集合划分为主题。在 Lab 中，你会将此模型应用到一个新闻数据库上。
情感分析：学习如何使用几种机器学习分类器（包括递归神经网络）预测文字情感，并将所学知识运用到影评数据库中。
序列到序列：学习一种特定的 RNN 架构，用于从一种序列生成另一种序列。这些 RNN 适合聊天机器人、机器翻译等应用！
深度学习注意力机制：注意力是近期最重要的深度学习创新技术之一。在此部分，你将学习注意力，并在 Lab 中了解注意力的基本实现过程。
RNN Keras Lab：此部分将为机器翻译部分做好准备。在此部分，你将有机会在 Keras 中获得 RNN 实操经验。
云端计算设置说明：概述了为 GPU 加速训练配置远程环境的步骤。
实战项目 2：机器翻译
第三部分：自然语言交流
学习可以将语音和文本相互转化的语音交互界面技术，并使用深度学习网络搭建一个语音识别模型。
包括：
语音用户界面简介：熟悉语音用户界面的原则和应用，并了解 Alexa 的技能。
语音识别：了解 ASR 管道的工作原理。
实战项目 3：DNN 语音识别器