InformIT – Deep Learning for Natural Language Processing LiveLessons (Video Training), 2nd Edition 2020-2

در تاریخ: 1400/03/22 11:02:17

توضیحات

Deep Learning for Natural Language Processing LiveLessons (Video Training), 2nd Edition، یک دوره آموزش مقدماتی برای پردازش زبان طبیعی با استفاده از مدل های یادگیری عمیق TensorFlow-Keras میباشد. این دوره یک مقدمه بر ساخت مدل های یادگیری زبان طبیعی با استفاده از یادگیری عمیق میباشد، با دروس این دوره، شما یک توضیح شهودی از مباحث تئوری به همراه کار با Jupyter notebook را به صورت عملی به پیش خواهید برد.

آنچه در دوره Deep Learning for Natural Language Processing LiveLessons (Video Training) یاد خواهید گرفت:

پیش پردازش داده های زبان طبیعی مورد استفاده در برنامه های یادگیری ماشین
تغییر شکل زبان طبیعی به حالت عددی با استفاده از word2vec
انجام پیشبینی با استفاده از مدل های یادگیری عمیق آموزش داده شده با استفاده از زبان طبیعی
به کار گیری جدیدترین فناوری های یادگیری زبان طبیعی با استفاده از Keras
بهینه سازی کارائی مدل های یادگیری عمیق با انتخاب معماری مدل مناسب و میزان سازی hyperparameterهای مدل ها

مشخصات دوره

ناشر: InformIT
مدرسین: Jon Krohn
زبان: انگلیسی
سطح آموزش: متوسط
تعداد دروس: 34
مدت زمان: 4 ساعت و 59 دقیقه

سرفصل های دوره:

Introduction
Lesson 1: The Power and Elegance of Deep Learning for NLP
Topics
1.1 Introduction to Deep Learning for Natural Language Processing
1.2 Running the Hands-On Code Examples in Jupyter Notebooks
1.3 Review of Prerequisite Deep Learning Theory
1.4 A Sneak Peek

Lesson 2: Word Vectors
Topics
2.1 Computational Representations of Natural Language Elements
2.2 Visualizing Word Vectors with word2viz
2.3 Localist Versus Distributed Representations
2.4 Elements of Natural Human Language
2.5 The word2vec Algorithm
2.6 Creating Word Vectors with word2vec
2.7 Pre-Trained Word Vectors and doc2vec

Lesson 3: Modeling Natural Language Data
Topics
3.1 Best Practices for Preprocessing Natural Language Data
3.2 The Area Under the ROC Curve
3.4 Document Classification with a Dense Neural Net
3.5 Classification with a Convolutional Neural Net

Lessons 4: Recurrent Neural Networks
Topics
4.1 Essential Theory of RNNs
4.2 RNNs in Practice
4.3 Essential Theory of LSTMs and GRUs
4.4 LSTMs and GRUs in Practice

Lesson 5: Advanced Models
Topics
5.1 Bi-Directional LSTMs
5.2 Stacked LSTMs
5.3 Datasets for NLP
5.4 Sequence Generation
5.5 seq2seq and Attention
5.6 Transfer Learning in NLP: BERT, ELMo, GPT-2 and Other Characters
5.7 Non-Sequential Architectures: The Keras Functional API
5.8 (Financial) Time Series Applications

Summary

پیش نیاز دوره:

The author’s Deep Learning with TensorFlow, Keras, and PyTorch LiveLessons, or familiarity with the topics covered in Chapters 5 through 9 of his book Deep Learning Illustrated, are a prerequisite.