После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Изучите, как использовать моделирование RNN на Python
В этом курсе вы узнаете, как использовать рекуррентные нейронные сети для классификации текста (бинарной и многоклассовой), генерации фраз и перевода предложений с португальского на английский.Модели машинного обучения используют числовые значения для прогнозирования и классификации, но как компьютеры могут работать с текстовыми данными? С огромным ростом объёма доступных текстовых данных стали возможны такие приложения, как автоматическая классификация документов, генерация текста и нейронный машинный перевод. Здесь вы узнаете, как рекуррентные нейронные сети (RNN) в машинном обучении могут помочь в этом процессе.
Откройте для себя возможности рекуррентных нейронных сетей
Вы начнёте этот четырёхчасовой курс с изучения основ рекуррентных нейронных сетей. Изучая, как информация проходит через рекуррентную нейронную сеть, вы будете использовать модель Keras RNN для выполнения классификации тональности.По мере более детального изучения архитектуры RNN вы узнаете о проблемах исчезающего и взрывающегося градиента, а также о том, как встраивать слои в языковую модель.
Изучайте языковые модели на реальных данных
Опираясь на эти знания, вы узнаете, как подготовить данные для задачи многоклассовой классификации, а также разберёте, чем такие задачи отличаются от бинарной классификации.Наконец, вы узнаете, как использовать модели RNN для генерации текста и нейронного машинного перевода. Вы примените свои знания рекуррентных нейронных сетей, чтобы воспроизвести речь Шелдона из «Теории большого взрыва» и перевести португальские фразы на английский язык.
Этот курс предлагает подробное изучение RNN в машинном обучении, позволяя вам развить свои навыки в этой области.
Предварительные требования
Программа
План курса
1
Рекуррентные нейронные сети и Keras
В этой главе вы изучите основы рекуррентных нейронных сетей (RNN). Вы начнёте с предварительных сведений, затем разберёте, как информация передаётся через сеть, и наконец реализуете подобные модели с помощью Keras для задачи классификации тональности текста.
- Введение в курс50 XP
- Сравнение количества параметров RNN и ANN50 XP
- Анализ тональности100 XP
- Модели «последовательность в последовательность»50 XP
- Введение в языковые модели50 XP
- Знакомство с текстовыми данными100 XP
- Подготовка текстовых данных для подачи в модель100 XP
- Преобразование нового текста100 XP
- Введение в RNN в Keras50 XP
- Модели Keras100 XP
- Предобработка данных в Keras100 XP
- Ваша первая модель RNN100 XP
2
Архитектура RNN
Вы познакомитесь с проблемами затухающего и взрывного градиентов, которые часто возникают в RNN, а также с тем, как с ними справляются ячейки GRU и LSTM.
Кроме того, вы создадите слои эмбеддингов для языковых моделей и вернётесь к задаче классификации тональности текста.
3
Многоклассовая классификация
В этой главе вы научитесь подготавливать данные для задачи многоклассовой классификации, а также разберёте различия между многоклассовой классификацией и бинарной (анализом тональности). В завершение вы создадите модели с помощью Keras и оцените их качество.
4
Модели «последовательность в последовательность»
В этой главе рассматриваются два практических применения RNN-моделей: генерация текста и нейронный машинный перевод. Вы научитесь подготавливать текстовые данные в формат, необходимый для работы моделей.
Модель генерации текста используется для воспроизведения манеры речи персонажа — вы с интересом попробуете имитировать стиль Шелдона из «Теории большого взрыва».
Нейронный машинный перевод лежит в основе таких сервисов, как Google Translate, где применяются значительно более сложные модели. В этой главе вы создадите модель, которая переводит короткие фразы с португальского на английский.
Рекуррентные нейронные сети (RNN) для языкового моделирования с Keras
Курс
завершён
