Name: Recurrent Neural Networks (RNNs) สำหรับ Language Modeling ด้วย Keras
Rating: 4.836879432624113 (141 reviews)

รายละเอียดคอร์ส

เรียนรู้วิธีใช้การสร้างโมเดล RNN ใน Python

ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีใช้ Recurrent Neural Networks เพื่อจำแนกข้อความ (ทั้งแบบสองกลุ่มและหลายกลุ่ม), สร้างวลี และแปลประโยคภาษาโปรตุเกสเป็นภาษาอังกฤษ

โมเดล Machine Learning ใช้ค่าตัวเลขในการทำนายและจัดประเภทข้อมูล แต่คอมพิวเตอร์จะจัดการกับข้อมูลข้อความได้อย่างไร? ด้วยปริมาณข้อมูลข้อความที่เพิ่มขึ้นอย่างมหาศาล ทำให้สามารถพัฒนาแอปพลิเคชันต่าง ๆ เช่น การจัดหมวดหมู่เอกสารอัตโนมัติ การสร้างข้อความ และการแปลภาษาด้วยระบบประสาทเทียมได้ ที่นี่ คุณจะได้เรียนรู้ว่า RNNs ใน machine learning สามารถช่วยในกระบวนการนี้ได้อย่างไร

ค้นพบพลังของ Recurrent Neural Networks

คุณจะเริ่มต้นคอร์สความยาวสี่ชั่วโมงนี้ด้วยการศึกษาพื้นฐานของ Recurrent Neural Networks คุณจะได้สำรวจการไหลของข้อมูลภายใน recurrent neural network และใช้โมเดล Keras RNN เพื่อทำการจำแนกอารมณ์ของข้อความ

เมื่อคุณศึกษาสถาปัตยกรรม RNN อย่างละเอียดมากขึ้น คุณจะได้เรียนรู้เกี่ยวกับปัญหา vanishing และ exploding gradient รวมถึงวิธีการฝังเลเยอร์ใน language model

สำรวจโมเดลภาษาโดยใช้ข้อมูลจริง

ต่อยอดจากความรู้ที่ได้รับ คุณจะได้เรียนรู้วิธีเตรียมข้อมูลสำหรับงานจำแนกประเภทแบบหลายคลาส พร้อมทั้งสำรวจความแตกต่างระหว่างงานเหล่านี้กับการจำแนกประเภทแบบทวิภาค

สุดท้าย คุณจะได้เรียนรู้วิธีใช้โมเดล RNN สำหรับการสร้างข้อความและการแปลภาษาด้วยระบบประสาทเทียม คุณจะได้ใช้ความรู้เกี่ยวกับ recurrent neural networks เพื่อจำลองเสียงพูดของ Sheldon จาก The Big Bang Theory และแปลวลีภาษาโปรตุเกสเป็นภาษาอังกฤษ

หลักสูตรนี้นำเสนอการศึกษาลึกซึ้งเกี่ยวกับ RNNs ในด้าน machine learning เพื่อเสริมสร้างความรู้และทักษะของคุณในสาขานี้

ข้อกำหนดเบื้องต้น

Introduction to Natural Language Processing in Python Introduction to Deep Learning with Keras

หลักสูตร

โครงร่างคอร์ส

Recurrent Neural Networks และ Keras

ในบทนี้ จะได้เรียนรู้พื้นฐานของ Recurrent Neural Networks (RNN) โดยเริ่มจากความรู้เบื้องต้นที่จำเป็น จากนั้นทำความเข้าใจการไหลของข้อมูลผ่านโครงข่าย และสุดท้ายนำไปสร้างโมเดลด้วย Keras สำหรับงานจำแนกประเภทความรู้สึก (sentiment classification)

เริ่มบท

สถาปัตยกรรม RNN

จะได้เรียนรู้เกี่ยวกับปัญหา vanishing gradient และ exploding gradient ซึ่งมักเกิดขึ้นใน RNN รวมถึงวิธีรับมือด้วย GRU cell และ LSTM cell นอกจากนี้ ยังได้สร้าง embedding layer สำหรับ language model และกลับมาทบทวนงาน sentiment classification อีกครั้ง

เริ่มบท

การจำแนกประเภทแบบ Multi-Class

ในบทนี้ จะได้เรียนรู้วิธีเตรียมข้อมูลสำหรับงานจำแนกประเภทแบบ multi-class รวมถึงความแตกต่างระหว่าง multi-class classification และ binary classification (sentiment analysis) และสุดท้ายจะได้สร้างโมเดลพร้อมวัดประสิทธิภาพด้วย Keras

เริ่มบท

โมเดล Sequence to Sequence

บทนี้แนะนำการประยุกต์ใช้โมเดล RNN 2 รูปแบบ ได้แก่ Text Generation และ Neural Machine Translation จะได้เรียนรู้วิธีเตรียมข้อมูลข้อความให้อยู่ในรูปแบบที่โมเดลต้องการ โมเดล Text Generation ใช้สำหรับเลียนแบบสำนวนพูดของตัวละคร โดยจะได้ลองเลียนแบบ Sheldon จาก The Big Bang Theory ส่วน Neural Machine Translation เป็นเทคโนโลยีที่ Google Translate นำไปใช้ในโมเดลที่ซับซ้อนกว่ามาก ในบทนี้จะได้สร้างโมเดลที่แปลประโยคสั้น ๆ จากภาษาโปรตุเกสเป็นภาษาอังกฤษ