【干货】台大李宏毅两个小时带你纵览自然语言处理和语音内容机器理解,附全程视频PPT下载

2017 年 11 月 27 日 专知 专知内容组(编)
【干货】台大李宏毅两个小时带你纵览自然语言处理和语音内容机器理解,附全程视频PPT下载

点击上方“专知”关注获取专业AI知识!

【导读】李宏毅11月25日在Dosudo硅谷工程师读书会上两个办小时的演讲。 在这次演讲中李宏毅老师以语音机器理解为例纵览自然语言处理各种最新技术。李宏毅老师演讲风格通俗易懂,他在台大开设的机器学习深度学习课程广受好评,可以说是最好的中文视频课程。李宏毅曾发布过 《一天搞懂深度學習》用300页PPT深入浅出的讲解深度学习来龙去脉,是深度学习不可多得的入门学习资料。


而这次自然语言处理研究保持一贯风格,以语音阅读理解为例带你解读最新的NLP问题处理方法和技巧。语音机器理解涉及NLP中的很多任务,比如语言识别,内容检索,问答系统,关键词抽取, 文本表示和文本摘要等等。



李宏毅老师简介:李宏毅老师于2012年从台北 National Taiwan University (NTU) 博士毕业。2012年9月—2013年8月,在 Sinica Academia的Research Center for Information Technology Innovation 做博士后。2013年9月—2014年7月,在 MIT ComputerScience and ArtificialIntelligence Laboratory (CSAIL) 的 Spoken LanguageSystems Group 做访问学者。现任 Department of Electrical Engineering of National TaiwanUniversity 副教授。主要研究领域为机器学习(特别是深度学习)、口语语义理解和语音识别。

《一天搞懂深度學習》链接:https://pan.baidu.com/s/1i4DhD7R

视频




  • 先看下李宏毅教授专访的视频:




PPT




  • PPT内容的目录:

1.     Typical Deep Learning Approach

2.     End to end Approach

3.     Word Embedding

4.     Sentiment Analysis

5.     Abstractive Summarization

6.     Sequence to sequence Learning

7.     Key Term Extraction

8.     Speech Question Answering

9.     Comprehension of Spoken Content

10.  Sentence Representation

11.  Spoken Content Retrieval

12.  Chat bot

13.  Chat-bot with GAN

14.  Deep Reinforcement Learning

15. Audio Word to Vector

特别提示-李老师PPT报告下载

请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“MCSC” 就可以获取李老师报告的pdf下载链接~







-END-

专 · 知

人工智能领域主题知识资料查看获取【专知荟萃集合】人工智能领域主题知识资料全集[ 持续更新中](入门/进阶/论文/综述/视频/专家等,附查看)

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫关注专知公众号,获取人工智能的专业知识。

请加专知小助手微信(Rancho_Fang),加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等,或者加小助手咨询入群)交流~


点击“阅读原文”,使用专知!

登录查看更多
16

相关内容

李宏毅(Hung-yi Lee)目前任台湾大学电机工程学系和电机资讯学院的助理教授,他曾于 2012 年获得台湾大学博士学位,并于 2013 年赴麻省理工学院(MIT)计算机科学和人工智能实验室(CSAIL)做访问学者。他的研究方向主要是机器学习(深度学习)和语音识别。

内容介绍: 普林斯顿大学计算机科学系教授Sanjeev Arora做了深度学习理论理解探索的报告,包括三个部分

  • Why overparametrization and or overprovisioning?
  • Optimization in deep learning
  • Theory for Generative Models and Generative Adversarial Nets (GANs)

作者介绍: Sanjeev Arora:印度裔美国理论计算机科学家,他以研究概率可检验证明,尤其是PCP定理而闻名。研究兴趣包括计算复杂度理论、计算随机性、概率可检验证明等。他于2018年2月被推选为美国国家科学院院士,目前是普林斯顿大学计算机科学系教授。

PPT下载链接: https://pan.baidu.com/s/1AYtisUE1LenZyEiVQYzo3A 密码: y3we

成为VIP会员查看完整内容
0
31

内容简介:

生成对抗网络(GAN)是训练模型的新思想,生成器和鉴别器相互对抗以提高生成质量。最近,GAN在图像生成方面取得了惊人的成果,并在此基础上迸发发了大量新的思想,技术和应用。虽然只有少数成功的案例,但GAN在文本和语音领域具有很大的潜力,以克服传统方法的局限性。

本教程分为三个部分。在第一部分中,我们将介绍生成对抗网络(GAN)并提供有关此技术的全面介绍。在第二部分中,我们将重点介绍GAN在语音信号处理中的应用,包括语音增强,语音转换,语音合成,以及域对抗训练在说话人识别和唇读等方面的应用。在第三部分中,我们将描述GAN生成句子的主要挑战,并回顾一系列应对挑战的方法。同时,我们将提出使用GAN实现文本样式转换,机器翻译和抽象摘要的算法,而无需配对数据。

讲者简介: 李宏毅教授分别于2010年和2012年在国立台湾大学获得了硕士与博士学位。2012年9月至2013年8月,他是中国科学院信息技术创新研究中心的博士后。2013年9月至2014年7月,他是麻省理工学院计算机科学与人工智能实验室(CSAIL)语言系统组的访问科学家。现任国立台湾大学电气工程系助理教授,并任职于该大学计算机科学与信息工程系。他的研究重点是机器学习(尤其是深度学习),口语理解和语音识别。

曹昱副研究员分别于1999年和2001年获得台湾大学电子工程学士学位和硕士学位。他于2008年获得佐治亚理工学院电气与计算机工程博士学位. 2009至2011年,曹博士是日本国家信息与通信技术研究所(NICT)的研究员,从事自动语音研究和产品开发,识别多语言语音到语音翻译。目前,他是台湾台北中央研究院信息技术创新研究中心(CITI)的副研究员。他于2017年获得了中央研究院职业发展奖。曹博士的研究兴趣包括语音和说话人识别,声学和语言建模,音频编码和生物信号处理。

目录: GAN的基本思想及一些基础的理论知识

  • GAN的三种类别
  • GAN的基本理论
  • 一些有用的技巧
  • 如何评估GAN
  • 与强化学习的关系

GAN在语音方面的应用

  • 语音信号生成
  • 语音信号识别
  • 结论

GAN在自然语言处理方面的应用

  • GAN序列生成
  • 无监督条件序列生成
成为VIP会员查看完整内容
0
55
小贴士
相关论文
DialoGPT: Large-Scale Generative Pre-training for Conversational Response Generation
Yizhe Zhang,Siqi Sun,Michel Galley,Yen-Chun Chen,Chris Brockett,Xiang Gao,Jianfeng Gao,Jingjing Liu,Bill Dolan
5+阅读 · 2019年11月1日
A Comparative Study on Transformer vs RNN in Speech Applications
Shigeki Karita,Nanxin Chen,Tomoki Hayashi,Takaaki Hori,Hirofumi Inaguma,Ziyan Jiang,Masao Someki,Nelson Enrique Yalta Soplin,Ryuichi Yamamoto,Xiaofei Wang,Shinji Watanabe,Takenori Yoshimura,Wangyou Zhang
3+阅读 · 2019年9月13日
Senmao Wang,Pan Zhou,Wei Chen,Jia Jia,Lei Xie
4+阅读 · 2019年4月23日
Two-phase Hair Image Synthesis by Self-Enhancing Generative Model
Haonan Qiu,Chuan Wang,Hang Zhu,Xiangyu Zhu,Jinjin Gu,Xiaoguang Han
3+阅读 · 2019年2月28日
Attention, please! A Critical Review of Neural Attention Models in Natural Language Processing
Andrea Galassi,Marco Lippi,Paolo Torroni
16+阅读 · 2019年2月4日
Marc Everett Johnson
3+阅读 · 2018年12月18日
Paraphrase Generation with Deep Reinforcement Learning
Zichao Li,Xin Jiang,Lifeng Shang,Hang Li
3+阅读 · 2018年8月23日
Huiting Hong,Xin Li,Mingzhong Wang
3+阅读 · 2018年5月21日
Zhaopeng Tu,Xiaojiang Liu,Lei Shu,Shuming Shi
6+阅读 · 2018年4月21日
Qiuyuan Huang,Li Deng,Dapeng Wu,Chang Liu,Xiaodong He
6+阅读 · 2018年2月20日
Top