After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Дізнайтеся, як використовувати моделювання RNN у Python
У цьому курсі ви навчитеся використовувати рекурентні нейронні мережі для класифікації тексту (бінарної та багатокласової), генерування фраз і перекладу португальських речень англійською мовою.Моделі машинного навчання ґрунтуються на числових значеннях, щоб робити прогнози та класифікації, але як комп’ютери можуть працювати з текстовими даними? Завдяки величезному зростанню обсягу доступних текстових даних стали можливими такі застосування, як автоматична класифікація документів, генерація тексту та нейронний машинний переклад. Тут ви дізнаєтеся, як RNN у машинному навчанні можуть допомогти з цим процесом.
Відкрийте для себе можливості рекурентних нейронних мереж
Ви розпочнете цей чотиригодинний курс із вивчення основ рекурентних нейронних мереж. Досліджуючи, як інформація проходить через рекурентну нейронну мережу, ви використаєте модель Keras RNN для виконання класифікації тональності.Під час детальнішого вивчення архітектури RNN ви дізнаєтеся про проблеми зникнення та вибуху градієнтів і про те, як вбудовувати шари в мовну модель.
Досліджуйте мовні моделі на реальних даних
Спираючись на ці знання, ви дізнаєтеся, як можна підготувати дані для задачі багатокласової класифікації, досліджуючи, чим ці задачі відрізняються від бінарної класифікації.Нарешті, ви навчитеся використовувати моделі RNN для генерації тексту та нейронного машинного перекладу. Ви використаєте свої знання рекурентних нейронних мереж, щоб відтворити мовлення Шелдона з «Теорії великого вибуху» та перекладати португальські фрази англійською.
Цей курс пропонує ґрунтовний огляд RNN у машинному навчанні, надаючи вам знання, щоб розвинути свої навички в цій сфері.
Попередні вимоги
Навчальний план
Зміст курсу
1
Рекурентні нейронні мережі та Keras
У цьому розділі ви вивчите основи рекурентних нейронних мереж (RNN). Почнемо з передумов, далі розберемося, як інформація проходить крізь мережу, а наприкінці побачимо, як реалізувати такі моделі в Keras для задачі класифікації тональності.
- Вступ до курсу50 XP
- Порівняння кількості параметрів RNN і ANN50 XP
- Аналіз сентименту100 XP
- Моделі sequence-to-sequence50 XP
- Вступ до мовних моделей50 XP
- Звикаємо до текстових даних100 XP
- Підготовка текстових даних для подання в модель100 XP
- Перетворення нового тексту100 XP
- Вступ до RNN у Keras50 XP
- Моделі Keras100 XP
- Попередня обробка в Keras100 XP
- Ваша перша модель RNN100 XP
2
Архітектура RNN
Ви дізнаєтеся про проблеми зникних і вибухових градієнтів, що часто трапляються в RNN, і як розв'язувати їх за допомогою осередків GRU та LSTM.
Крім того, ви створите шари embedding для мовних моделей і ще раз повернетеся до задачі класифікації тональності.
3
Багатокласова класифікація
Далі, у цьому розділі ви навчитеся готувати дані для задачі багатокласової класифікації, а також зрозумієте різницю між багатокласовою та бінарною класифікацією (аналіз тональності). Насамкінець ви створите моделі в Keras і навчитеся оцінювати їхню якість.
4
Моделі Sequence to Sequence
Цей розділ знайомить вас із двома застосунками моделей RNN: генерацією тексту та нейронним машинним перекладом. Ви навчитеся готувати текстові дані до формату, потрібного моделям.
Модель генерації тексту використовується для відтворення манери мовлення персонажа, і ми трохи розважимося, наслідуючи Шелдона з «Теорії Великого вибуху».
Нейронний машинний переклад, наприклад, застосовує Google Translate у значно складнішій моделі. У цьому розділі ви створите модель, що перекладає короткі португальські фрази англійською.
Recurrent Neural Networks (RNNs) для моделювання мови з Keras
Курс
завершено
