After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
텍스트 처리 기법 배우기
텍스트 처리의 기본 원리를 깊이 있게 배우고, 딥러닝 모델을 위해 데이터 텍스트를 전처리하고 인코딩하는 방법을 익히게 됩니다. 토큰화, 어간 추출, 표제어 추출, 그리고 원-핫 인코딩, Bag-of-Words, TF-IDF 같은 인코딩 기법을 살펴보고, 이를 합성곱 신경망(CNN)과 순환 신경망(RNN)에 적용해 텍스트 분류를 수행합니다.텍스트 생성과 RNN으로 창의력을 발휘하세요
여정은 계속됩니다. 순환 신경망(RNN)이 텍스트 생성을 가능하게 하는 방법을 배우고, 텍스트 생성을 위한 생성적 적대 신경망(GAN)의 흥미로운 세계를 탐구해 보세요. 또한 유창하고 창의적인 텍스트를 생성할 수 있는 사전 학습된 모델도 살펴보게 됩니다.텍스트 분류를 위한 강력한 모델 구축
마지막으로, 텍스트를 위한 딥러닝의 고급 주제를 살펴보게 됩니다. 여기에는 텍스트 분류를 위한 전이 학습 기법과 사전 학습된 모델의 강력한 성능을 활용하는 방법이 포함됩니다. Transformer 아키텍처와 어텐션 메커니즘에 대해 배우고, 텍스트 처리에서의 적용 방법을 이해하게 됩니다. 이 강의를 마치면 복잡한 텍스트 데이터를 다루고 강력한 딥러닝 모델을 구축하는 데 필요한 실무 경험과 기술을 갖추게 됩니다.사전 요구 사항
커리큘럼
코스 개요
1
PyTorch로 시작하는 텍스트 딥러닝 소개
이 장에서는 텍스트 딥러닝과 그 활용 분야를 소개합니다. PyTorch로 텍스트를 처리하는 방법을 배우고, 토큰화, 어간 추출, 불용어 제거 등 기법을 직접 실습해 보세요. 텍스트 데이터를 인코딩하는 중요성을 이해하고, PyTorch로 인코딩 기법을 구현합니다. 마지막으로 이러한 기법을 결합해 텍스트 처리 파이프라인을 구축하며 학습 내용을 정리합니다.
2
PyTorch로 하는 텍스트 분류
텍스트 분류와 그 역할을 Natural Language Processing(NLP)에서 살펴봅니다. PyTorch로 단어 임베딩을 구현하고, 텍스트 분류를 위해 Convolutional Neural Networks(CNN)와 Recurrent Neural Networks(RNN)를 구축해 보세요. 또한 적절한 지표를 사용해 모델을 평가하는 방법을 이해합니다.
3
PyTorch로 하는 텍스트 생성
텍스트 생성과 그 응용 분야를 탐구합니다. PyTorch를 활용해 Recurrent Neural Networks(RNN), Generative Adversarial Networks(GAN), 사전 학습 모델을 텍스트 생성 작업에 활용하는 방법을 익히세요. 아울러 관련 지표를 사용해 모델 성능을 평가하는 방법도 배웁니다.
4
텍스트 딥러닝의 고급 주제 with PyTorch
전이 학습의 개념과 텍스트 분류에서의 적용을 이해합니다. Transformers의 구조를 살펴보고, 이를 텍스트 분류와 생성 작업에 활용하는 방법을 배워요. 또한 어텐션 메커니즘과 텍스트 처리에서의 역할을 다룹니다. 마지막으로 텍스트 분류 모델에 대한 적대적 공격의 잠재적 영향을 이해하고, 모델을 보호하는 방법을 학습합니다.
PyTorch로 배우는 텍스트 딥러닝
코스
완료
