After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
学习文本处理技术
你将深入学习文本处理的基本原理，掌握如何为深度学习模型预处理和编码文本数据。 您将探索分词、词干提取、词形还原等技术，以及独热编码、词袋模型和 TF-IDF 等编码方法，并将它们与卷积神经网络（CNN）和循环神经网络（RNN）结合用于文本分类。用文本生成和 RNN 激发创意
随着你学习循环神经网络（RNN）如何实现文本生成，并探索用于文本生成的生成对抗网络（GAN）这一迷人领域，学习之旅仍在继续。 此外，你还将了解能够流畅且富有创造力地生成文本的预训练模型。构建强大的文本分类模型
最后，你将深入学习文本深度学习的高级主题，包括用于文本分类的迁移学习技术，以及如何利用预训练模型的强大能力。 你将学习 Transformer 架构和注意力机制，并了解它们在文本处理中的应用。 在本课程结束时，你将获得处理复杂文本数据并构建强大的深度学习模型的实践经验和技能。先修要求
课程大纲
课程大纲
1
使用 PyTorch 的文本深度学习入门
本章将带您了解文本深度学习及其应用。学习如何使用 PyTorch 进行文本处理，并亲手实践分词、词干提取、停用词去除等技术。理解对文本数据进行编码的重要性，并在 PyTorch 中实现编码方法。最后，通过构建结合这些技术的文本处理流水线来巩固所学。
2
使用 PyTorch 的文本分类
探索文本分类及其在自然语言处理（NLP）中的作用。运用您的技能实现词嵌入，并使用 PyTorch 构建卷积神经网络（CNN）和循环神经网络（RNN）用于文本分类，同时了解如何使用合适的指标评估模型。
3
使用 PyTorch 的文本生成
走进文本生成的应用与实践。理解如何利用循环神经网络（RNN）、生成对抗网络（GAN）以及预训练模型，在 PyTorch 中完成文本生成任务。同时，您将学习使用相关指标评估模型表现。
4
使用 PyTorch 的文本深度学习进阶主题
理解迁移学习的概念及其在文本分类中的应用。探索 Transformer、其架构，以及如何将其用于文本分类与生成任务。您还将深入了解注意力机制及其在文本处理中的作用。最后，认识对抗性攻击对文本分类模型的潜在影响，并学习如何保护您的模型。
使用 PyTorch 的文本深度学习
课程完成
