🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اجرای پردازش زبان طبیعی برای جاسازی کلمه
- آخرین آپدیت
Implement Natural Language Processing for Word Embedding
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به شما یاد می دهد که چگونه از جاسازی کلمات برای استفاده از یادگیری عمیق برای NLP استفاده کنید. پردازش زبان طبیعی (NLP) مجموعه ای از ابزارها و تکنیک هایی است که ما را قادر می سازد تا قدرت تجزیه و تحلیل متن را باز کنیم. در این دوره آموزشی، پیاده سازی پردازش زبان طبیعی برای جاسازی کلمه، یاد خواهید گرفت که چگونه از جاسازی کلمات برای استفاده از شبکه های عصبی برای NLP استفاده کنید. ابتدا، دریابید که تعبیههای کلمه چیست و اساسیترین جاسازی چیست: یک کدگذاری داغ. در مرحله بعد، نحوه استفاده از جاسازی کلمات را برای تجزیه و تحلیل احساسات کشف خواهید کرد. در نهایت، یاد میگیرید که چگونه جاسازیهای کلمه موجود را برای بهبود مدلهای خود تنظیم کنید و همچنین جاسازیهای ما را برای انصاف پایین بیاورید. وقتی این دوره را به پایان رساندید، مهارت ها و دانش پردازش زبان طبیعی مورد نیاز برای استفاده از جاسازی کلمات برای ایجاد راه حل های شگفت انگیز NLP با یادگیری عمیق را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
چرا متن را پردازش کنیم؟
Why Process Text?
چرا باید متن را پردازش کنیم؟
Why Should We Process Text?
نسخه ی نمایشی: معرفی مطالعه موردی Globomantics
Demo: Introducing Globomantics Case Study
گرفتن بهترین ها از این دوره
Getting the Best out of This Course
بررسی نسخه
Version Check
طرح کلی دوره
Outline of the Course
آموزش بازنمایی کلمات
Training Word Representations
چگونه کلمات را بازنمایی کنیم
How to Represent Words
اولین جاسازی: یک کدگذاری داغ
First Embedding: One Hot Encoding
نسخه ی نمایشی: با استفاده از OHE
Demo: Using OHE
نسخه ی نمایشی: تجزیه و تحلیل احساسات با OHE
Demo: Analyzing Sentiment with OHE
آموزش جاسازی با شبکه ها: CBOW و Skip-gram
Training Embeddings with Networks: CBOW and Skip-gram
نسخه ی نمایشی: آموزش جاسازی CBOW
Demo: Training a CBOW Embedding
نسخه ی نمایشی: احساسات را با یک جاسازی مبتنی بر شبکه تجزیه و تحلیل کنید
Demo: Reanalyze Sentiment with a Network-based Embedding
بعدش چی پیش میاد؟
What Comes Next?
تنظیم دقیق بازنمایی های ورد
Fine-tuning Word Representations
چرا مدل های موجود را به خوبی تنظیم می کنیم؟
Why Would We Fine Tune Existing Models?
نسخه ی نمایشی: دستکش تنظیم دقیق و FastText
Demo: Fine Tuning Glove and FastText
نسخه ی نمایشی: ساخت خوشه های کلمات
Demo: Making Word Clusters
نسخه ی نمایشی: Debiase Word Embeddings
Demo: Debiase Word Embeddings
آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.
نمایش نظرات