Oreilly – Deep Learning for Natural Language Processing, Video Edition 2022-10

در تاریخ: 1403/08/12 9:00:23

توضیحات

دوره Deep Learning for Natural Language Processing, Video Edition. با چالش برانگیزترین مسائل پردازش زبان طبیعی آشنا شوید و یاد بگیرید که چگونه با استفاده از یادگیری عمیق پیشرفته آن‌ها را حل کنید! در دوره یادگیری عمیق برای پردازش زبان طبیعی، شما با انبوهی از بینش‌های NLP، از جمله موارد زیر آشنا خواهید شد:

مروری بر NLP و یادگیری عمیق
نمایش‌های متنی یک-گرم
توکن‌های کلمات
مدل‌های شباهت متنی
NLP متوالی
برچسب‌گذاری نقش معنایی
NLP مبتنی بر حافظه عمیق
ساختار زبانی
هایپرپارامترها برای NLP عمیق

یادگیری عمیق، پردازش زبان طبیعی را به سطوح جدید و هیجان‌انگیز و کاربردهای قدرتمند جدیدی ارتقا داده است! برای اولین بار، سیستم‌های کامپیوتری می‌توانند به سطوح “انسانی” از خلاصه‌سازی، ایجاد ارتباط و سایر کارهایی که نیاز به درک و زمینه دارند، دست یابند. یادگیری عمیق برای پردازش زبان طبیعی تکنیک‌های پیشگامانه‌ای را که این نوآوری‌ها را ممکن می‌سازد، آشکار می‌کند.

آنچه در این دوره فرا خواهید گرفت

بهبود پاسخگویی به سوالات با NLP متوالی
افزایش عملکرد با یادگیری چندوظیفه‌ای زبانی
تفسیر دقیق ساختار زبانی
تسلط بر تکنیک‌های مختلف توکن‌سازی کلمات

این دوره مناسب افرادیست که

خوانندگانی با مهارت‌های متوسط پایتون و دانش کلی از NLP.
هیچ تجربه قبلی در یادگیری عمیق مورد نیاز نیست.

مشخصات دوره Deep Learning for Natural Language Processing, Video Edition

ناشر: Oreilly
مدرس: Stephan Raaijmakers
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 5 ساعت و 48 دقیقه

سرفصل های دوره

Part 1. Introduction
Chapter 1. Deep learning for NLP
Chapter 1. Deep learning
Chapter 1. Vector representations of language
Chapter 1. Vector sanitization
Chapter 1. Summary
Chapter 2. Deep learning and language: The basics
Chapter 2. Deep learning and NLP: A new paradigm
Chapter 2. Summary
Chapter 3. Text embeddings
Chapter 3. From words to vectors: Word2Vec
Chapter 3. From documents to vectors: Doc2Vec
Chapter 3. Summary
Part 2. Deep NLP
Chapter 4. Textual similarity
Chapter 4. The data
Chapter 4. Data representation
Chapter 4. Models for measuring similarity
Chapter 4. Summary
Chapter 5. Sequential NLP
Chapter 5. Data and data processing
Chapter 5. Question Answering with sequential models
Chapter 5. Summary
Chapter 6. Episodic memory for NLP
Chapter 6. Data and data processing
Chapter 6. Strongly supervised memory networks: Experiments and results
Chapter 6. Semi-supervised memory networks
Chapter 6. Summary
Part 3. Advanced topics
Chapter 7. Attention
Chapter 7. Data
Chapter 7. Static attention: MLP
Chapter 7. Temporal attention: LSTM
Chapter 7. Experiments
Chapter 7. Summary
Chapter 8. Multitask learning
Chapter 8. Multitask learning
Chapter 8. Multitask learning for consumer reviews: Yelp and Amazon
Chapter 8. Multitask learning for Reuters topic classification
Chapter 8. Multitask learning for part-of-speech tagging and named-entity recognition
Chapter 8. Summary
Chapter 9. Transformers
Chapter 9. Transformer encoders
Chapter 9. Transformer decoders
Chapter 9. BERT: Masked language modeling
Chapter 9. Summary
Chapter 10. Applications of Transformers: Hands-on with BERT
Chapter 10. A BERT layer
Chapter 10. Training BERT on your data
Chapter 10. Fine-tuning BERT
Chapter 10. Inspecting BERT
Chapter 10. Applying BERT
Chapter 10. Summary