آموزش تجزیه و تحلیل احساسات با شبکه های عصبی راجعه در TensorFlow

Sentiment Analysis with Recurrent Neural Networks in TensorFlow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: شبکه های عصبی راجعه (RNN) برای در نظر گرفتن توالی داده ها ایده آل هستند. در این دوره ، شما نحوه استفاده از جاسازی کلمات را برای تجزیه و تحلیل احساسات با استفاده از شبکه های عصبی کشف خواهید کرد. تجزیه و تحلیل احساسات و پردازش زبان طبیعی از مشکلات رایج برای حل با استفاده از تکنیک های یادگیری ماشین است. داشتن پاسخ های دقیق و خوب به س questionsالات بدون بررسی از طریق مرور نیاز به استفاده از تکنیک های یادگیری عمیق مانند شبکه های عصبی دارد. در این دوره ، تجزیه و تحلیل احساسات با شبکه های عصبی راجعه در TensorFlow ، شما می آموزید که چگونه از شبکه های عصبی راجعه (RNN) برای طبقه بندی بررسی فیلم ها بر اساس احساسات استفاده کنید. ابتدا متوجه خواهید شد که چگونه با استفاده از روش skip-gram در word2vec می توانید تعبیه های کلمه را ایجاد کنید و خواهید دید که چگونه می توان با استفاده از یک تابع ضرر ویژه ، برآورد کننده انقباض نویز ، این شبکه عصبی را بهینه سازی کرد. در مرحله بعدی ، شما در درک RNN ها و چگونگی پیاده سازی RNN برای طبقه بندی بررسی فیلم ها ، و مقایسه و تضاد پیاده سازی شبکه عصبی با یک مدل استاندارد یادگیری ماشین ، الگوریتم Naive Bayes ، فرو خواهید رفت. سرانجام ، شما می آموزید که چگونه RNN مشابه را با تعبیه کلمات از پیش ساخته شده پیاده سازی کنید. در پایان این دوره ، شما می توانید الگوریتم های تعبیه کلمه را برای تولید نمایش عددی متن درک کرده و پیاده سازی کنید ، و می دانید که چگونه با استفاده از این کلمات تعبیه شده یک مدل طبقه بندی اساسی با RNN بسازید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

به کار بردن وکتور Word Word برای مدل سازی زبان Applying Word Vector Embeddings to Language Modeling

  • طبقه بندی به عنوان یک مسئله یادگیری ماشین Classification as a Machine Learning Problem

  • پیش نیازها و نرم افزار Prerequisites and Software

  • سیستمی مبتنی بر قانون برای تحلیل احساسات A Rule-based System for Sentiment Analysis

  • مقدمه ای بر شبکه های عصبی An Introduction to Neural Networks

  • رمزگذاری داغ One-hot Encoding

  • جاسازی های مبتنی بر فرکانس Frequency-based Embeddings

  • جاسازی های مبتنی بر پیش بینی Prediction-based Embeddings

  • معرفی Word2Vec Introducing Word2Vec

پیاده سازی Word Embeddings در TensorFlow Implementing Word Embeddings in TensorFlow

  • بررسی اجمالی Overview

  • حداکثر برآورد احتمال Maximum Likelihood Estimation

  • شبکه عصبی کیسه مداوم کلمات The Continuous Bag of Words Neural Network

  • شبکه عصبی Skip-gram The Skip-gram Neural Network

  • بسته های مفید پایتون Useful Python Packages

  • نسخه ی نمایشی: بارگیری داده ها و استخراج کلمات Demo: Download Data and Extract Words

  • نسخه ی نمایشی: مجموعه داده ها را بسازید و آماده کنید Demo: Build and Prepare Dataset

  • نسخه ی نمایشی: تولید دسته های آموزشی Demo: Generate Training Batches

  • نسخه ی نمایشی: شبکه عصبی را بسازید Demo: Contruct the Neural Network

  • نسخه ی نمایشی: شبکه عصبی را آموزش دهید Demo: Train the Neural Network

  • برآوردگرهای ضد صدا برای اندازه گیری از دست دادن Noise Contrastive Estimators to Measure Loss

  • نسخه ی نمایشی: اجرای تخمین تضاد نویز Demo: Implementing Noise Contrastive Estimation

  • خلاصه Summary

انجام طبقه بندی توالی با RNN ها Performing Sequence Classification with RNNs

  • متن را به عنوان داده های متوالی ارسال کنید Text as Sequential Data

  • نورون عود کننده The Recurrent Neuron

  • ترتیب ورودی به عنوان یک مرحله زمانی Input Sequence as a Time Step

  • بازگشت به عقب در طول زمان Back Propagation Through Time

  • حافظه بلند مدت Long Term Memory

  • سلول LSTM The LSTM Cell

پیاده سازی طبقه بندی توالی با استفاده از RNN در TensorFlow Implementing Sequence Classification Using RNNs in TensorFlow

  • شهود بایز ساده لوح Naive Bayes Intuition

  • نسخه ی نمایشی: پیاده سازی Naive Bayes به عنوان یک خط مبنا Demo: Implementing Naive Bayes as a Baseline

  • اشکال Naive Bayes Drawbacks of Naive Bayes

  • نسخه ی نمایشی: آماده سازی داده ها برای طبقه بندی با استفاده از RNN ها Demo: Data Preparation for Classification Using RNNs

  • نسخه ی نمایشی: شبکه عصبی را بسازید و اجرا کنید Demo: Build and Run the Neural Network

  • مزایای RNN برای تجزیه و تحلیل احساسات Advantages of RNNs for Sentiment Analysis

  • نسخه ی نمایشی: برای طبقه بندی از GloVe Embeddings از قبل آموزش دیده استفاده کنید Demo: Use Pre-trained GloVe Embeddings for Classification

  • خلاصه و یادگیری بیشتر Summary and Further Learning

نمایش نظرات

نظری ارسال نشده است.

آموزش تجزیه و تحلیل احساسات با شبکه های عصبی راجعه در TensorFlow
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 54m
36
Pluralsight (پلورال سایت) pluralsight-small
29 آذر 1396 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
38
4.1 از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.