Przetwarzanie języka naturalnego z RNN, Seq2Seq i Attention

Zrozumienie, w jaki sposób maszyny przetwarzają sekwencje, tłumaczą języki i koncentrują się na słowach kluczowych, jest niezbędne do budowania nowoczesnej sztucznej inteligencji językowej. W tym kursie tekstowym przejdziesz od podstawowej reprezentacji tekstu do budowania wyrafinowanych modeli sekwencji do sekwencji.Będziesz czytać podziały koncepcyjne i ćwiczyć z fragmentami kodu Pythona, aby konstruować neuronowe systemy tłumaczenia maszynowego, klasyfikatory tekstowe i podstawowe modele odpowiedzi na pytania. Czego się nauczysz: - Zrozum podstawowe koncepcje NLP, osadzanie słów i techniki wstępnego przetwarzania tekstu - Buduj powtarzające się sieci neuronowe (RNN) i sieci dwukierunkowe do modelowania sekwencji - Wdrażaj architektury sekwencji do sekwencji (seq2seq) do tłumaczenia języka - Zastosuj mechanizmy uwagi, aby pomóc modelom skupić się na odpowiednich częściach tekstu wejściowego - Poznaj nowoczesne koncepcje transformatorów i podstawy osadzania wektorów - Skonfiguruj modele klasyfikacji tekstu do analizy sentymentu i wykrywania spamu za pomocą TensorFlow i Keras Podróż zaczyna się od podstawowej terminologii, matematycznych podstaw wektorów słownych i podstawowych powtarzających się warstw, a następnie krok po kroku przechodzi przez struktury kodera-dekodera, warstwy uwagi i praktyczne wzorce implementacji. Ten kurs jest przeznaczony dla początkujących naukowców, programistów i entuzjastów sztucznej inteligencji, którzy chcą zrozumieć wewnętrzne działanie modeli językowych.Podstawowa znajomość programowania Pythona jest pomocna, ale nie jest wymagane wcześniejsze doświadczenie w głębokim uczeniu się. Zacznij czytać już dziś, aby odblokować moc modeli głębokiego uczenia sekwencja-sekwencja.