Willkommen in Deeplearn. Dieses Repository enthält die Implementierung der folgenden Forschungsarbeiten zu NLP, CV, ML und Deep Learning.
- Latest Update : Added _deeplearn_utils modules. Check the releases for description of new features.[1] Korrelation Neuronale Netze . Lebenslauf, Transferlernen, Repräsentationslernen. Code
[2] Argumentation mit neuronalen Tensor -Netzwerken für die Fertigstellung der Wissensbasis . NLP, ML. Code
[3] gemeinsames Darstellung von Lernen mit stufenbasierten Korrelation Multi-Modal CNN . Lebenslauf, Transferlernen, Repräsentationslernen. Code
[4] ABCNN: Aufmerksamkeitsbasierte Faltungsnetzwerk für die Modellierung von Satzpaaren. NLP, Deep Learning, Satz Matching. Code
[5] Lernen, kurze Textpaare mit faltungsvollen tiefen neuronalen Netzwerken einzustufen. NLP, Deep Learning, CQA. Code
[6] Kombination von neuronalen, statistischen und externen Merkmalen für gefälschte Nachrichten zur Identifizierung von Nachrichten. NLP, IR, tiefes Lernen. Code
[7] Wikiqa: Ein Herausforderungsdatensatz für die Beantwortung von Fragen zur Beantwortung von offener Domänen. NLP, Deep Learning, CQA. Code
[8] Siamese wiederkehrende Architekturen für die Lernstrafe Ähnlichkeit. NLP, Satz Ähnlichkeit, tiefes Lernen. Code
[9] Faltungsarchitektur der neuronalen Tensor -Netzwerk für die Beantwortung der Community -Frage. NLP, Deep Learning, CQA. Code
[10] Map-Reduce für maschinelles Lernen auf Multicore. Map-Reduce, Hadoop, ML. Code
[11] Lehrmaschinen zum Lesen und Verständnis. NLP, tiefes Lernen. Code
[12] Verbesserte Repräsentationslernen für Fragen Antwort Matching. NLP, Deep Learning, CQA. Code
[13] Externe Merkmale für die Beantwortung der Community -Frage. NLP, Deep Learning, CQA. Code
[14] Sprachidentifizierung und -versteigerung im indischen gemischten Skript . NLP, Ir, ML. Code
[15] Bau eines semi-automatischen Modells für das Abrufen von FAQs über einen Kurznachrichtendienst . NLP, Ir, ML. Code
Die erforderlichen Abhängigkeiten sind in Anforderung erwähnt. Ich werde auch DL-Text- Module zum Vorbereiten der Datensätze verwenden. Wenn Sie es nicht benutzt haben, sehen Sie sich bitte einen kurzen Blick darauf an.
$ pip install - r requirements . txt