Traitement du langage naturel avec pytorch
Créer des applications linguistiques intelligentes en utilisant l'apprentissage en profondeur
Par Delip Rao et Brian McMahan
Accueillir. Ceci est un référentiel compagnon pour le livre Natural Language Processing with Pytorch: créez des applications linguistiques intelligentes en utilisant l'apprentissage en profondeur.
Table des matières
- Commencer!
- Chapitre 1: Introduction
- Chapitre 2: Une visite rapide de la PNL
- Chapitre 3: Composantes fondamentales des réseaux de neurones
- Exemples dans le texte
- Plonger profondément dans une formation supervisée
- Classifier le sentiment des critiques de restaurants à l'aide d'un perceptron
- Chapitre 4: Réseaux d'alimentation pour la PNL
- Limitations du perceptron
- Présentation des perceptrons multicouches (MLP)
- Présentation des réseaux de neurones convolutionnels (CNNS)
- Classification du nom de famille avec un MLP
- Classification du nom de famille avec un CNN
- Chapitre 5: Incorporer des mots et des types
- Utiliser des intérêts pré-entraînés
- Apprendre des embeddings de sacs de sacs continues (CBOW)
- Transférer l'apprentissage à l'aide d'incorporation pré-formée
- Chapitre 6: Modélisation des séquences pour NLP
- Une représentation de séquence pour les noms de famille
- Chapitre 7: Modélisation des séquences intermédiaires pour PNL
- Générer de nouveaux noms de famille à partir de représentations de séquence
- Génération inconditionnelle
- Génération conditionnée
- Chapitre 8: Modélisation de séquence avancée pour PNL
- Comprendre les séquences emballées
- Séquence à l'apprentissage de la séquence
- Attention
- Traduction de la machine neurale
- Chapitre 9: Classiques, frontières, prochaines étapes
