Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Lär dig hur du använder RNN-modellering i Python
I den här kursen lär du dig hur du använder Recurrent Neural Networks för att klassificera text (både binär och flervalsklassificering), generera fraser och översätta portugisiska meningar till engelska.Maskininlärningsmodeller bygger på numeriska värden för att göra förutsägelser och klassificeringar, men hur kan datorer hantera textdata? Med den enorma ökningen av tillgänglig textdata är det nu möjligt med applikationer som automatisk dokumentklassificering, textgenerering och neurala maskinöversättningar. Här får du lära dig hur RNN:er inom machine learning kan hjälpa till med denna process.
Upptäck kraften hos rekurrenta neurala nätverk
Du börjar den här fyra timmar långa kursen med att titta på grunderna i Recurrent Neural Networks. Genom att utforska hur information flödar genom ett återkommande neuralt nätverk kommer du att använda en Keras RNN-modell för att utföra sentimentklassificering.När du går igenom RNN-arkitektur mer ingående kommer du att lära dig om problem med försvinnande och exploderande gradienter samt hur du lägger in lager i en språkmodell.
Utforska språkmodeller med verkliga data
Med den här kunskapen i bagaget får du lära dig hur du kan förbereda data för en multi-class classification-uppgift och utforska hur dessa uppgifter skiljer sig från binary classification.Slutligen kommer du att lära dig hur du använder RNN-modeller för textgenerering och neural maskinöversättning. Du kommer att använda dina kunskaper om återkommande neurala nätverk för att återskapa Sheldons tal från The Big Bang Theory och för att översätta portugisiska fraser till engelska.
Den här kursen ger dig en djupgående förståelse för RNN:er inom machine learning och hjälper dig att utveckla dina färdigheter inom området.
Förkunskapskrav
Kursplan
Kursöversikt
1
Återkommande neurala nätverk och Keras
I det här kapitlet lär du dig grunderna i återkommande neurala nätverk (RNN). Du börjar med de viktigaste förkunskaperna, fortsätter med att förstå hur information flödar genom nätverket och avslutar med att implementera sådana modeller i Keras för sentimentklassificering.
- Introduktion till kursen50 XP
- Jämföra antalet parametrar i RNN och ANN50 XP
- Sentimentanalys100 XP
- Sekvens-till-sekvens-modeller50 XP
- Introduktion till språkmodeller50 XP
- Bekanta dig med textdata100 XP
- Förbered textdata för modellinmatning100 XP
- Omvandla ny text100 XP
- Introduktion till RNN i Keras50 XP
- Keras-modeller100 XP
- Förbearbetning i Keras100 XP
- Din första RNN-modell100 XP
2
RNN-arkitektur
Du lär dig om problemen med försvinnande och exploderande gradienter, som ofta uppstår i RNN, och hur du hanterar dem med GRU- och LSTM-celler.
Dessutom skapar du inbäddningslager för språkmodeller och återvänder till uppgiften med sentimentklassificering.
3
Multiklassklassificering
I det här kapitlet lär du dig att förbereda data för multiklassklassificering samt skillnaderna mellan multiklassklassificering och binär klassificering (sentimentanalys). Slutligen lär du dig att skapa modeller och utvärdera deras prestanda med Keras.
4
Sekvens-till-sekvens-modeller
Det här kapitlet introducerar dig till två tillämpningar av RNN-modeller: textgenerering och neural maskinöversättning. Du lär dig att förbereda textdata i det format som modellerna kräver.
Textgenereringsmodellen används för att efterlikna en karaktärs sätt att tala – här får du ha lite kul och imitera Sheldon från The Big Bang Theory.
Neural maskinöversättning används till exempel av Google Translate i betydligt mer komplexa modeller. I det här kapitlet skapar du en modell som översätter korta portugisiska fraser till engelska.
Återkommande neurala nätverk (RNN) för språkmodellering med Keras
Kurs
slutförd
