趋近智
自然语言处理基本原理
章节 1: 自然语言处理基本原理与高级文本处理
自然语言处理流程
高级分词方法
词干提取与词形还原比较
文本数据中的噪声处理
停用词高级定制
文本标准化方法
动手实践：构建预处理流程
章节 2: 文本特征工程
从词袋模型到TF-IDF
计算 TF-IDF 分数
使用N-gram来获取语境信息
特征哈希简介
文本特征的降维
比较不同的文本表示方法
动手实践：生成文本特征
章节 3: 监督学习在文本分类中的应用
分类算法回顾
将分类器应用于文本数据
分类模型评估指标
交叉验证策略
文本模型的超参数调优
处理不平衡数据集
实践：构建文本分类器
章节 4: 嵌入表示与序列数据理解
基于频率的模型的局限性
分布式语义学简介
词嵌入基本原理
Word2Vec：CBOW 与 Skip-gram 模型结构
GloVe：词语的全局向量表示
词嵌入的可视化
使用预训练词嵌入模型
动手实践：使用词嵌入
章节 5: 自然语言处理中的序列模型介绍
序列感知的必要性
循环神经网络（RNN）基础
理解梯度消失问题
长短期记忆（LSTM）网络
门控循环单元 (GRUs)
将序列模型应用于文本
动手实践：构建一个简单的序列模型
文本模型的超参数调优
这部分内容有帮助吗？
- Model selection and evaluation, scikit-learn developers, 2025 (scikit-learn developers) - scikit-learn超参数优化和交叉验证工具的官方文档，包括GridSearchCV和RandomizedSearchCV。
- Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, Sebastian Raschka, Vahid Mirjalili, 2019 (Packt Publishing) - 一本关于Python机器学习的实践指南，涵盖了使用scikit-learn进行超参数调优、交叉验证和各种文本分类模型。
- Random Search for Hyper-Parameter Optimization, James Bergstra, Yoshua Bengio, 2012 Journal of Machine Learning Research, Vol. 13 (JMLR) - 研究论文，展示了随机搜索在超参数优化中优于网格搜索的益处和有效性。
- Speech and Language Processing (3rd Edition Draft), Daniel Jurafsky, James H. Martin, 2025 - 一本关于自然语言处理的综合教科书，解释了TF-IDF等文本表示技术及其在文本分类中的参数。