第一课：概率论和贝叶斯方法

1.1 概率和分布
1.2 条件概率
1.3 贝叶斯法则
1.4 独立性假设和朴素贝叶斯方法
1.5 朴素贝叶斯的不足

练习：

如何自动发现新词

第二课：机器学习典型方法

2.1 线性回归
2.2 梯度下降法和牛顿法
2.3 支持向量机
2.4 无监督学习

2.5 EM算法直观体验

2.6 马尔科夫理论

练习：

实现一个信用评级模型

第三课：自然语言理解的基础

3.1 分词 
3.2 词性和命名实体标注
3.3  句法分析
3.4 语言模型
练习：

分别用普通语料和金融领域语料实现语言模型，体会其效果区别

第四课：自然语言处理经典任务

4.1 词的共现和相关
4.2 文本分类和聚类
4.3 信息检索 
4.4 意图识别
4.5 情感分析

4.6 自动问答

练习：

实现一个酒店评论分类模型

第五课：人工智能的重要基础：神经网络

5.1 神经网络能做什么

5.2神经网络有什么不同
5.3 神经网络的结构
5.4 反向传播的原理和问题
5.5 CNN和RNN
5.6 深度学习的一些有趣任务（词向量、语言模型等）

第六课：深度学习实践体验

6.1 python介绍
6.2 tensorflow介绍

6.3 大数据与深度学习
练习：

阅读ANN实现手写识别模型的代码，并尝试增加一层网络实验效果

分组讨论：
1. 你的部门如何更好的使用NLP—头脑风暴
2. 使用场景模拟
3. NLP方案设计