آموزش طبقه بندی احساسات با شبکه های عصبی مکرر

Sentiment Classification with Recurrent Neural Networks

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما یاد می دهد که چگونه یک سیستم برای طبقه بندی احساسات بسازید. شما پیچیدگی‌های داخلی شبکه‌های عصبی مکرر را یاد خواهید گرفت و یک طبقه‌بندی احساسات را با استفاده از مجموعه داده‌های بازبینی محصول آمازون اجرا می‌کنید. آیا تا به حال از خود پرسیده‌اید که چرا شرکت‌های بزرگ بازخورد کاربران را جمع‌آوری می‌کنند؟ بدیهی است که آنها برای تجزیه و تحلیل احساسات کاربر نسبت به محصولات یا خدمات خود بازخورد جمع آوری می کنند. این تنها راه برای دانستن واکنش کاربران و چگونگی بهبود کیفیت محصولات یا خدمات است. تجزیه و تحلیل میلیون ها بررسی محصول به صورت دستی غیرممکن است و بنابراین آنها از سیستم های خودکار مبتنی بر داده برای بازیابی احساسات کاربر استفاده می کنند. در این دوره آموزشی، طبقه‌بندی احساسات با شبکه‌های عصبی تکراری، یاد خواهید گرفت که چگونه با استفاده از شبکه‌های عصبی مکرر (RNN) از ابتدا با استفاده از پایتون و کراس یک طبقه‌بندی کننده احساسات بسازید. ابتدا، جزئیات داخلی شبکه های عصبی مکرر و نحوه مدیریت موثر داده های متنی را خواهید آموخت. در مرحله بعد، متوجه خواهید شد که چگونه از RNN ها می توان برای ساخت معماری شبکه برای وظایف مختلف پردازش زبان طبیعی و به طور خاص، وظیفه طبقه بندی احساسات استفاده کرد. سپس، روی یک مجموعه داده ایمیل منبع باز کار می کنید و یک طبقه بندی کننده هرزنامه را با استفاده از RNN پیاده سازی می کنید. در نهایت، یک مجموعه داده منبع باز از بررسی های محصولات آمازون را بررسی می کنید و یک سیستم برای طبقه بندی احساسات با استفاده از RNN ایجاد می کنید. در پایان این دوره، دانش عمیقی از سیستم های طبقه بندی احساسات خواهید داشت و همچنین قادر خواهید بود یکی از این سیستم ها را با استفاده از پایتون و کراس پیاده سازی کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه ای بر شبکه های عصبی بازگشتی (RNN) Introduction to Recurrent Neural Networks (RNNs)

  • بررسی اجمالی Overview

  • مقدمه ای بر شبکه های عصبی عمیق Introduction to Deep Neural Networks

  • آموزش شبکه های عصبی عمیق Training Deep Neural Networks

  • متن زبان طبیعی به عنوان داده های متوالی Natural Language Text as Sequential Data

  • شبکه های عصبی مکرر (RNN) Recurrent Neural Networks (RNNs)

  • معماری شبکه های عصبی با استفاده از RNN Neural Network Architectures Using RNNs

  • طبقه بندی متن با استفاده از RNN Text Classification Using RNNs

  • محدودیت های شبکه های عصبی مکرر Limitations of Recurrent Neural Networks

  • خلاصه Summary

طبقه بندی ایمیل ها با استفاده از RNN Classification of Emails Using RNNs

  • بررسی اجمالی Overview

  • مجموعه داده Spambase را کاوش کنید Explore the Spambase Dataset

  • استخراج پیش بینی ها و برچسب ها برای آموزش Extract Predictors and Labels for Training

  • Tokenization و ایجاد واژگان را انجام دهید Perform Tokenization and Create Vocabulary

  • سکانس های طول متغیر padding Padding Variable Length Sequences

  • ایجاد و آموزش مدل Create and Train the Model

  • طبقه بندی ایمیل ها با استفاده از مدل آموزش دیده Classify Emails Using the Trained Model

  • خلاصه Summary

طبقه بندی احساسات نظرات محصول Sentiment Classification of Product Reviews

  • بررسی اجمالی Overview

  • مجموعه داده بررسی محصولات آمازون را کاوش کنید Explore the Amazon Product Review Dataset

  • استخراج نظرات و احساسات Extract Reviews and Sentiments

  • تبدیل احساسات به بردار Convert Sentiments to Vectors

  • پاکسازی متون بررسی Cleaning of the Review Texts

  • Tokenization و ایجاد واژگان را انجام دهید Perform Tokenization and Create Vocabulary

  • سکانس های طول متغیر padding Padding Variable Length Sequences

  • ایجاد مدل و آموزش Create Model and Training

  • پیش بینی احساسات با استفاده از مدل آموزش دیده Predict Sentiments Using the Trained Model

  • خلاصه Summary

نمایش نظرات

آموزش طبقه بندی احساسات با شبکه های عصبی مکرر
جزییات دوره
1h 32m
28
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Biswanath Halder Biswanath Halder

Biswanath یک دانشمند داده است که حدود 9 سال سابقه کار در شرکت هایی مانند Oracle، Microsoft و Adobe دارد. او دانش گسترده ای در زمینه یادگیری ماشینی، یادگیری عمیق و یادگیری تقویتی دارد. او در کاربرد تکنیک‌های یادگیری ماشینی و یادگیری عمیق در برنامه‌های تجاری پیچیده مرتبط با بینایی کامپیوتر و پردازش زبان طبیعی تخصص دارد. او همچنین یک معلم آزاد است و آمار، ریاضیات و یادگیری ماشین را تدریس می کند. او دارای مدرک کارشناسی ارشد در علوم کامپیوتر از موسسه علوم هند، بنگلور، و مدرک لیسانس در علوم کامپیوتر از دانشگاه جادوپور، کلکته است.