آموزش پایه های یادگیری عمیق: پردازش زبان طبیعی با tensorflow
Deep Learning Foundations: Natural Language Processing with TensorFlow
تقاضای رو به رشد برای بهره برداری از قدرت پردازش زبان طبیعی (NLP) و مدل های یادگیری عمیق وجود دارد که قادر به درک داده های متنی و کاهش مداخله عاطفی انسان به منظور تصمیم گیری های بهتر است. در این دوره، مربی Harshit Tyagi راهنمای کامل برای درک NLP با استفاده از شبکه های عصبی مکرر (RNNS) را فراهم می کند. Harshit با معرفی شما به رمزگذاری کلمه و استفاده از Tensorflow برای tokenization آغاز می شود. او مفهوم مهمی از جاسازی های کلمه را توصیف می کند و به شما نشان می دهد که چگونه از Tensorflow برای طبقه بندی نظرات فیلم و بردارهای پروژه استفاده کنید. Harshit در مورد RNN ها و حافظه کوتاه مدت کوتاه مدت (LSTM) بحث می کند، سپس به شما نشان می دهد که چگونه می توانید طبقه بندی بررسی فیلم را از قبل از پیش از آن بهبود بخشید. او با بحث در مورد چگونگی آموزش RNNS به منظور پیش بینی کلمه بعدی در یک جمله، نتیجه گیری می کند که به نوبه خود به شما اجازه می دهد تا برخی از متن اصلی را تولید کنید.
معرفی Introduction
-
استفاده از یادگیری عمیق برای پردازش زبان طبیعی Leveraging deep learning for natural language processing
1. شروع به کار با NLP 1. Getting Started with NLP
-
مقدمه ای برای پردازش زبان طبیعی Introduction to natural language processing
-
مقدمه ای بر رمزگذاری کلمه Introduction to word encodings
-
tokenization با استفاده از tensorflow Tokenization using TensorFlow
-
پر کردن توالی ها Padding the sequences
-
چالش: شناخت کنایه در متن Challenge: Recognizing sarcasm in the text
-
راه حل: شناخت سارکاسم در متن Solution: Recognizing sarcasm in the text
-
مسابقه فصل Chapter Quiz
2. طبقه بندی متن 2. Text Classification
-
مقدمه ای بر تعبیه واژه ها Introduction to word embeddings
-
طبقه بندی بررسی فیلم ها با استفاده از TensorFlow Classifying movie reviews using TensorFlow
-
طرح بردارها با استفاده از TensorFlow Projecting vectors using TensorFlow
-
ساخت طبقه بندی متن Building a text classifier
-
چالش: طبقه بندی متن Challenge: Text classification
-
راه حل: طبقه بندی متن Solution: Text classification
-
فصلنامه Chapter Quiz
3. طبقه بندی با RNN ها و LSTM ها 3. Classification with RNNs and LSTMs
-
مقدمه ای بر RNN ها Introduction to RNNs
-
پیاده سازی LSTM ها با TensorFlow Implementing LSTMs with TensorFlow
-
بهبود طبقه بندی مرور فیلم شما Improving your movie review classifier
-
چالش: طبقه بندی بررسی Yelp Challenge: Yelp review classifier
-
راه حل: طبقه بندی بررسی Yelp Solution: Yelp review classifier
-
مسابقه فصل Chapter Quiz
4. نسل متن با rnns 4. Text Generation with RNNs
-
مقدمه ای برای تولید متن Introduction to text generation
-
پیش بینی کلمه بعدی Predicting the next word
-
چالش: ایجاد شعر Challenge: Generate poetry
-
راه حل: شعر تولید کنید Solution: Generate poetry
-
مسابقه فصل Chapter Quiz
نتیجه Conclusion
-
در مورد NLP با TensorFlow بیشتر بیاموزید Learning more about NLP with TensorFlow
![آموزش دوره کامل یادگیری ماشین با پایتون [ویدئو]](https://donyad.com/course/getimg/e1f464fc-e7bd-4387-8897-324e2d1fd063.jpg "آموزش دوره کامل یادگیری ماشین با پایتون [ویدئو]")
![آموزش Hands-On TensorBoard برای توسعه دهندگان PyTorch [ویدئو]](https://donyad.com/course/getimg/bfc940d0-ad2a-400e-adac-72cc98c45045.jpg "آموزش Hands-On TensorBoard برای توسعه دهندگان PyTorch [ویدئو]")
https://donyad.com/d/a411
Harshit Tyagi
مربی و استاد علوم داده
Harshit Tyagi یک مربی و مربی علوم داده است.
Harshit به بیش از هزار دانش آموز کمک کرده است تا اصول برنامه نویسی و علوم داده را تسلط یابند. وی در نقش های خود در OpenClassrooms و Coding Ninjas ، از مهارت فنی خود برای انجام کارگاه ها و کمک به دانشجویان برای آوردن پروژه های دوره خود به خط پایان استفاده می کند. وی همچنین دارای یک کانال YouTube است ، جایی که او مفاهیم اساسی در علوم داده و مصاحبه پایتون را پوشش می دهد نکات و موارد دیگر علاوه بر تمرکز بر آموزش علوم داده ، هارشیت الگوریتم های پردازش داده را با دانشمندان تحقیق در ییل ، MIT و UCLA توسعه داده است.
نمایش نظرات