پردازش دستی زبان طبیعی با Pytorch [ویدئو]

Hands-On Natural Language Processing with Pytorch [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: هدف اصلی این دوره آموزش شما برای انجام وظایف پیچیده NLP (و ساخت برنامه های کاربردی زبان هوشمند) با استفاده از یادگیری عمیق با PyTorch است. شما در طول دوره دو برنامه کامل NLP در دنیای واقعی خواهید ساخت. اولین برنامه یک تحلیلگر احساسات است که داده ها را تجزیه و تحلیل می کند تا مشخص کند که آیا نقد نسبت به یک فیلم خاص مثبت است یا منفی. سپس یک ماشین ترجمه عصبی پیشرفته که یک موتور ترجمه گفتار است، با استفاده از مدل‌های Sequence to Sequence با سرعت و انعطاف‌پذیری PyTorch برای ترجمه متن داده شده به زبان‌های مختلف ایجاد می‌کنید. در پایان دوره، مهارت‌هایی را خواهید داشت که با استفاده از قابلیت‌های یادگیری عمیق PyTorch، مدل‌های NLP دنیای واقعی خود را بسازید. بسته کد این دوره ویدیویی در دسترس است - https://github.com/PacktPublishing/Hands-On-Natural-Language-Processing-with-Pytorch این دوره از Python 3.6، Pytorch 1.0، NLTK 3.3.0 و Spacy 2.0 استفاده می کند، در حالی که آخرین نسخه موجود نیست، محتوای مرتبط و آموزنده را برای کاربران قدیمی PyTorch ارائه می دهد. [*] پردازش اطلاعات روشنگر از داده های خام با استفاده از تکنیک های NLP با PyTorch [*]کار با PyTorch برای استفاده از حداکثر سرعت و انعطاف پذیری آن [*]ابزارهای روش های سنتی و مدرن NLP مانند NLTK، Spacy، Word2Vec Gensim [*]پیاده سازی مدل جاسازی کلمه و استفاده از آن با جعبه ابزار Gensim [*]مدل‌های دنباله به دنباله (که در ترجمه استفاده می‌شوند) که یک دنباله را می‌خوانند، دنباله‌ای دیگر تولید می‌کنند. [*]استفاده از LSTM با استفاده از PyTorch برای تحلیل احساسات و تفاوت آن با RNN [*]مقایسه و تجزیه و تحلیل نتایج با استفاده از شبکه‌های توجه برای بهبود عملکرد پروژه‌تان اگر یک توسعه‌دهنده، محقق یا دانشمند داده‌های هوش مصنوعی مشتاق هستید که آماده غواصی عمیق‌تر در این حوزه به سرعت در حال رشد هوش مصنوعی هستید، این دوره برای شما مناسب است! برخی از پیشینه و تجربه اولیه یادگیری ماشین در برنامه نویسی با پایتون مورد نیاز است. [*]آموزش عملی گسترده برای درک عملکرد ترکیبی NLP، یادگیری عمیق، و PyTorch * [*]با هر دو ابزار سنتی و مدرن NLP مانند NLTK، SpaCy و Word2Vec برای ایجاد مدل‌های NLP در دنیای واقعی کار کنید. * [*] هر فصل شامل چندین مثال کد و تصویر برای درک عمیق از انجام وظایف پیچیده NLP است *

سرفصل ها و درس ها

بالا و در حال اجرا با PyTorch Up and Running with PyTorch

  • بررسی اجمالی دوره The Course Overview

  • استفاده از یادگیری عمیق در پردازش زبان طبیعی Using Deep Learning in Natural Language Processing

  • توابع و ویژگی های PyTorch Functions and Features of PyTorch

  • نصب و راه اندازی PyTorch Installing and Setting Up PyTorch

  • درک تحلیل احساسات و NMT Understanding Sentiment Analysis and NMT

پاکسازی داده ها و پیش پردازش برای تجزیه و تحلیل احساسات Data Cleaning and Preprocessing for Sentiment Analysis

  • NLTK و SpaCy Installations NLTK and spaCy Installations

  • توکن سازی با NLTK Tokenization with NLTK

  • کلمات را متوقف کنید Stop Words

  • Lemmatization Lemmatization

  • خطوط لوله Pipelines

پیاده سازی Word Embedding با gensim Implement Word Embeddings with gensim

  • کار با Word Embeddings Working with Word Embeddings

  • راه اندازی و نصب gensim Setting Up and Installing gensim

  • کاوش تعبیه‌های Word با gensim Exploring Word Embeddings with gensim

  • درک جاسازی های ایجاد شده Understanding the Embeddings Created

  • جاسازی های از پیش آموزش دیده با استفاده از Word2vec Pretrained Embeddings Using Word2vec

واحدهای RNN و LSTMs را برای تجزیه و تحلیل احساسات آموزش دهید Train RNNs and LSTMs Units for Sentiment Analysis

  • کار با شبکه عصبی تکراری Working with Recurrent Neural Network

  • پیاده سازی RNN Implementing RNN

  • نتایج با RNN Results with RNN

  • کار با LSTM Working with LSTM

  • پیاده سازی LSTM Implementing LSTM

  • نتایج با LSTM Results with LSTM

مترجم ماشین عصبی بسازید Build a Neural Machine Translator

  • معرفی seq2seq Intro to seq2seq

  • تاسیسات Installations

  • پیاده سازی seq2seq – رمزگذار Implementing seq2seq – Encoder

  • پیاده سازی seq2seq – رمزگشا Implementing seq2seq – Decoder

  • نتایج با seq2seq Results with seq2seq

ترجمه ماشین عصبی را با شبکه های توجه بهبود بخشید Improve the Neural Machine Translation with Attention Networks

  • مقدمه ای بر شبکه های توجه Introduction to Attention Networks

  • پیاده سازی seq2seq – رمزگذار Implementing seq2seq – Encoder

  • نتایج با شبکه توجه Results with Attention Network

  • راه پیش رو The Way Forward

نمایش نظرات

پردازش دستی زبان طبیعی با Pytorch [ویدئو]
جزییات دوره
2 h 24 m
30
Packtpub Packtpub
(آخرین آپدیت)
1
5 از 5
ندارد
دارد
دارد
Jibin Mathew
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jibin Mathew Jibin Mathew

جیبین متیو یک دانشمند ارشد داده و محقق یادگیری ماشین است که بیش از 7 سال در حوزه هوش مصنوعی کار کرده است. او یک کارآفرین سریالی است و چندین شرکت نوپای هوش مصنوعی را تاسیس کرده است. او پیشینه مهندسی نرم افزار قوی دارد و گردش کار کامل را از تحقیق گرفته تا استقرار تولید مقیاس پذیر درک می کند. او راه حل هایی در زمینه های مراقبت های بهداشتی، محیط زیست، مالی، نظارت صنعتی و خرده فروشی ایجاد کرده است. او مشاور شرکت های مختلف در تلاش های هوش مصنوعی آنها بوده است. او برنده چالش جهانی تاثیر دانشگاه Singularity 2018 بود و بخشی از پلتفرم های مختلف جهانی بوده است. او یک مشارکت کننده فعال در جامعه است و دانش خود را با نوشتن محتوا و از طریق پست های وبلاگ به اشتراک می گذارد.