After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Poznaj techniki przetwarzania tekstu
Zagłębisz się w podstawowe zasady przetwarzania tekstu, ucząc się, jak wstępnie przetwarzać i kodować dane tekstowe dla modeli deep learning. Poznasz techniki takie jak tokenizacja, stemming, lematyzacja oraz metody kodowania, takie jak one-hot encoding, Bag-of-Words i TF-IDF, wykorzystując je z konwolucyjnymi sieciami neuronowymi (CNN) i rekurencyjnymi sieciami neuronowymi (RNN) do klasyfikacji tekstu.Rozwiń kreatywność dzięki generowaniu tekstu i sieciom RNN
Podróż trwa dalej, gdy uczysz się, jak rekurencyjne sieci neuronowe (RNN) umożliwiają generowanie tekstu, oraz odkrywasz fascynujący świat generatywnych sieci przeciwstawnych (GAN) do generowania tekstu. Dodatkowo odkryjesz wstępnie wytrenowane modele, które potrafią generować tekst płynnie i kreatywnie.Twórz skuteczne modele do klasyfikacji tekstu
Na koniec zagłębisz się w zaawansowane zagadnienia deep learningu dla tekstu, w tym techniki transfer learningu do klasyfikacji tekstu oraz wykorzystanie mocy modeli pretrenowanych. Poznasz architekturę Transformerów i mechanizm uwagi oraz zrozumiesz ich zastosowanie w przetwarzaniu tekstu. Po ukończeniu tego kursu zdobędziesz praktyczne doświadczenie i umiejętności potrzebne do pracy ze złożonymi danymi tekstowymi oraz tworzenia wydajnych modeli deep learning.Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do uczenia głębokiego dla tekstu z PyTorch
Ten rozdział wprowadza cię w zagadnienia uczenia głębokiego dla tekstu i jego zastosowania. Dowiesz się, jak używać PyTorch do przetwarzania tekstu, i zdobędziesz praktyczne doświadczenie z technikami takimi jak tokenizacja, stemming, usuwanie stopwords i inne. Poznasz znaczenie kodowania danych tekstowych i zaimplementujesz techniki kodowania w PyTorch. Na koniec utrwalisz wiedzę, budując potok przetwarzania tekstu łączący wszystkie te techniki.
- Wprowadzenie do przetwarzania wstępnego tekstu50 XP
- Analiza częstości słów100 XP
- Przetwarzanie tekstu100 XP
- Kodowanie danych tekstowych50 XP
- Kodowanie one-hot tytułów książek100 XP
- Model Bag-of-Words dla tytułów książek100 XP
- Stosowanie TF-IDF do opisów książek100 XP
- Wprowadzenie do budowania potoku przetwarzania tekstu50 XP
- Pipeline do przetwarzania języka Szekspira100 XP
- Koder języka szekspirowskiego100 XP
2
Klasyfikacja tekstu z PyTorch
Poznaj klasyfikację tekstu i jej rolę w przetwarzaniu języka naturalnego (NLP). Wykorzystaj swoje umiejętności, aby zaimplementować word embeddingi oraz opracować sieci splotowe (CNN) i rekurencyjne (RNN) do klasyfikacji tekstu w PyTorch. Naucz się też oceniać swoje modele przy użyciu odpowiednich metryk.
3
Generowanie tekstu z PyTorch
Wejdź w fascynujący świat generowania tekstu i jego zastosowań w NLP. Dowiesz się, jak wykorzystać sieci rekurencyjne (RNN), generatywne sieci adwersaryjne (GAN) oraz modele wstępnie wytrenowane do zadań generowania tekstu w PyTorch. Nauczysz się także oceniać wydajność swoich modeli za pomocą odpowiednich metryk.
4
Zaawansowane zagadnienia uczenia głębokiego dla tekstu z PyTorch
Poznaj koncepcję uczenia transferowego i jego zastosowanie w klasyfikacji tekstu. Zapoznaj się z architekturą Transformerów i dowiedz się, jak używać ich do zadań klasyfikacji i generowania tekstu. Zgłębisz mechanizmy uwagi i ich rolę w przetwarzaniu tekstu. Na koniec poznasz potencjalne skutki ataków adwersaryjnych na modele klasyfikacji tekstu i nauczysz się, jak chronić swoje modele.
Uczenie głębokie dla tekstu z PyTorch
Kurs
ukończony
