Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
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
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.
نمایش نظرات