After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Impara le tecniche di elaborazione del testo
Ti immergerai nei principi base dell'elaborazione del testo, imparando come pre-elaborare e codificare i dati testuali per i modelli di deep learning. Imparerai tecniche come la tokenizzazione, lo stemming, la lemmatizzazione e metodi di codifica come la codifica one-hot, Bag-of-Words e TF-IDF, e li userai con le reti neurali convoluzionali (CNN) e le reti neurali ricorrenti (RNN) per classificare i testi.Dai sfogo alla tua creatività con la generazione di testo e le RNN
Il viaggio continua mentre scopri come le reti neurali ricorrenti (RNN) permettono di generare testi ed esplori il mondo affascinante delle reti generative avversarie (GAN) per la generazione di testi. In più, troverai modelli già pronti che possono creare testi in modo fluido e creativo.Crea modelli efficaci per la classificazione dei testi
Infine, ti immergerai in argomenti avanzati sul deep learning per il testo, comprese le tecniche di transfer learning per la classificazione del testo e l'utilizzo della potenza dei modelli pre-addestrati. Imparerai cos'è l'architettura Transformer e il meccanismo di attenzione e capirai come si usano nell'elaborazione dei testi. Alla fine di questo corso, avrai acquisito esperienza pratica e le competenze necessarie per gestire dati testuali complessi e creare modelli di deep learning efficaci.Prerequisiti
Curriculum
Programma del corso
1
Introduzione al Deep Learning per il testo con PyTorch
Questo capitolo ti introduce al deep learning per il testo e alle sue applicazioni. Impara a usare PyTorch per l’elaborazione del testo e fai pratica con tecniche come tokenizzazione, stemming, rimozione delle stopword e altro ancora. Comprendi l’importanza dell’encoding dei dati testuali e implementa tecniche di encoding con PyTorch. Infine, consolida le conoscenze creando una pipeline di elaborazione del testo che combini queste tecniche.
- Introduzione al preprocessing del testo50 XP
- Analisi della frequenza delle parole100 XP
- Preprocessare il testo100 XP
- Codificare i dati testuali50 XP
- Titoli di libri one-hot encoded100 XP
- Bag-of-words per i titoli dei libri100 XP
- Applicare TF-IDF alle descrizioni dei libri100 XP
- Introduzione alla creazione di una pipeline di elaborazione del testo50 XP
- Pipeline di preprocessing per il linguaggio shakespeariano100 XP
- Encoder del linguaggio shakespeareano100 XP
2
Classificazione del testo con PyTorch
Esplora la classificazione del testo e il suo ruolo nel Natural Language Processing (NLP). Metti in pratica le tue abilità per implementare word embedding e sviluppare sia Convolutional Neural Networks (CNN) sia Recurrent Neural Networks (RNN) per la classificazione del testo con PyTorch, e capisci come valutare i tuoi modelli usando metriche appropriate.
3
Generazione di testo con PyTorch
Avventurati nel mondo della generazione di testo e nelle sue applicazioni in NLP. Capisci come sfruttare Recurrent Neural Networks (RNN), Generative Adversarial Networks (GAN) e modelli pre-addestrati per compiti di generazione di testo con PyTorch. Inoltre, imparerai a valutare le prestazioni dei tuoi modelli usando metriche pertinenti.
4
Argomenti avanzati nel Deep Learning per il testo con PyTorch
Comprendi il concetto di transfer learning e la sua applicazione nella classificazione del testo. Esplora i Transformers, la loro architettura e come usarli per attività di classificazione e generazione di testo. Approfondirai anche i meccanismi di attention e il loro ruolo nell’elaborazione del testo. Infine, capisci i potenziali impatti degli attacchi avversari sui modelli di classificazione del testo e impara come proteggere i tuoi modelli.
Deep Learning per il testo con PyTorch
Corso
completato
