UniOffice

Tea 语言是一个和 运行效率接近 C++、开发效率超越 Java 的编程语言。 编译为原生机器码（汇编），兼容主要操作系统和平台。 现代化语言，支持 GC、面向对象、函数式编程、类型推导等流行语言特性。 C 风格，Java 用户可以很快上手。更实用，更适合敏捷开发。 国产。全中文支持。

主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习简介 自然语言学习初级 数学和机器学习知识补充 自然语言处理中级 自然语言处理专项领域学习 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课程 机构 参考书 Notes

先来一段前戏 机器学习的过程是训练模型和使用模型的过程，训练就是基于已知数据做统计学习，使用就是用统计学习好的模型来计算未知的数据。 机器学习分为有监督学习和无监督学习，文本分类也分为有监督的分类和无监督的分类。有监督就是训练的样本数据有了确定的判断，基于这些已有的判断来断定新的数据，无监督就是训练的样本数据没有什么判断，完全自发的生成结论。 无论监督学习还是无监督学习，都是通过某种算法来实现，而

本文档是 Go 语言标准库文档的中文翻译版，在 Go 语言的安装文件里包含了一些可以直接使用的包，即标准库。

知识图谱 接口: nlp_ownthink 目标地址: https://ownthink.com/ 描述: 获取思知-知识图谱的接口, 以此来查询知识图谱数据 限量: 单次返回查询的数据结果 输入参数 名称 类型 必选 描述 word str Y word="人工智能" indicator str Y indicator="entity"; Please refer Indicator Info

上百万字的文本，是容易拿到手的。假设我们会写一些简单的程序，那我们可以用它来做些什么？在本章中，我们将解决以下几个问题： 将简单的程序与大量的文本结合起来，我们能实现什么？ 我们如何能自动提取概括文本风格和内容的关键词和短语？ Python 编程语言为上述工作提供了哪些工具和技术？ 自然语言处理中有哪些有趣的挑战？ 本章分为完全不同风格的两部分。在“语言计算”部分，我们将选取一些语言相关的编程任务

PyTorch 自然语言处理（Natural Language Processing with PyTorch 中文版）