After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Naucz się korzystać z modelowania RNN w Pythonie
W tym kursie nauczysz się, jak wykorzystywać rekurencyjne sieci neuronowe do klasyfikacji tekstu (binarnie i wieloklasowo), generowania fraz oraz tłumaczenia zdań z portugalskiego na angielski.Modele uczenia maszynowego opierają się na wartościach liczbowych, aby tworzyć prognozy i klasyfikacje, ale jak komputery mogą radzić sobie z danymi tekstowymi? Wraz z ogromnym wzrostem dostępnych danych tekstowych możliwe stają się takie zastosowania jak automatyczna klasyfikacja dokumentów, generowanie tekstu oraz neuronowe tłumaczenie maszynowe. Tutaj dowiesz się, jak sieci RNN w uczeniu maszynowym mogą pomóc w tym procesie.
Odkryj moc rekurencyjnych sieci neuronowych
Zaczniesz ten czterogodzinny kurs od poznania podstaw rekurencyjnych sieci neuronowych. Badając, jak informacje przepływają przez rekurencyjną sieć neuronową, użyjesz modelu RNN w Keras do klasyfikacji sentymentu.Gdy przyjrzysz się dokładniej architekturze RNN, poznasz problemy zanikającego i eksplodującego gradientu oraz dowiesz się, jak osadzać warstwy w modelu językowym.
Poznaj modele językowe na rzeczywistych danych
Bazując na tej wiedzy, odkryjesz, jak przygotować dane do zadania klasyfikacji wieloklasowej, poznając różnice między tymi zadaniami a klasyfikacją binarną.Na koniec nauczysz się, jak wykorzystywać modele RNN do generowania tekstu i neuronowego tłumaczenia maszynowego. Wykorzystasz swoją wiedzę o rekurencyjnych sieciach neuronowych, aby odtworzyć mowę Sheldona z „Teorii wielkiego podrywu” oraz tłumaczyć portugalskie zwroty na angielski.
Ten kurs zapewnia dogłębne spojrzenie na sieci RNN w uczeniu maszynowym, dając Ci wiedzę potrzebną do rozwijania swoich umiejętności w tym obszarze.
Wymagania wstępne
Program kursu
Plan kursu
1
Rekurencyjne sieci neuronowe i Keras
W tym rozdziale poznasz podstawy rekurencyjnych sieci neuronowych (RNN). Zaczniesz od niezbędnych wiadomości wstępnych, przejdziesz do zrozumienia przepływu informacji w sieci, a na koniec zobaczysz, jak implementować takie modele w Keras – na przykładzie zadania klasyfikacji sentymentu.
- Wprowadzenie do kursu50 XP
- Porównanie liczby parametrów sieci RNN i ANN50 XP
- Analiza sentymentu100 XP
- Modele sekwencja-do-sekwencji50 XP
- Wprowadzenie do modeli językowych50 XP
- Praca z danymi tekstowymi100 XP
- Przygotowanie danych tekstowych jako wejścia do modelu100 XP
- Przekształcanie nowego tekstu100 XP
- Wprowadzenie do RNN w Keras50 XP
- Modele Keras100 XP
- Przetwarzanie wstępne w Keras100 XP
- Twój pierwszy model RNN100 XP
2
Architektura RNN
Dowiesz się o problemach zanikającego i eksplodującego gradientu, które często pojawiają się w RNN, oraz o tym, jak sobie z nimi radzić za pomocą komórek GRU i LSTM.
Poza tym stworzysz warstwy embeddingów dla modeli językowych i powrócisz do zadania klasyfikacji sentymentu.
3
Klasyfikacja wieloklasowa
W tym rozdziale nauczysz się przygotowywać dane do zadania klasyfikacji wieloklasowej, a także poznasz różnice między klasyfikacją wieloklasową a binarną (analiza sentymentu). Na koniec zobaczysz, jak tworzyć modele i oceniać ich wydajność w Keras.
4
Modele sekwencja–sekwencja
Ten rozdział przedstawia dwa zastosowania modeli RNN: generowanie tekstu i neuronowe tłumaczenie maszynowe. Dowiesz się, jak przygotować dane tekstowe w formacie wymaganym przez modele.
Model generowania tekstu posłuży do naśladowania stylu wypowiedzi postaci z serialu – Sheldona z Teorii wielkiego podrywu.
Neuronowe tłumaczenie maszynowe jest stosowane m.in. przez Google Translate w znacznie bardziej rozbudowanych modelach. W tym rozdziale stworzysz model tłumaczący krótkie frazy z portugalskiego na angielski.
Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras
Kurs
ukończony
