coursera natural language processing specialization
1.0.0
Les affectations de programmation de tous les cours de la spécialisation du traitement du langage naturel de Coursera offerts par deeplearning.ai .
Ce dépôt contient mon travail pour cette spécialisation. La base de code, les questions et les diagrammes du quiz sont tirées de la spécialisation du traitement du langage naturel, sauf indication contraire.
La spécialisation du traitement du langage naturel sur Coursera contient quatre cours:
Le traitement du langage naturel (PNL) utilise des algorithmes pour comprendre et manipuler le langage humain. Cette technologie est l'un des domaines les plus largement appliqués de l'apprentissage automatique. Alors que l'IA continue de se développer, la demande de professionnels est également qualifiée pour créer des modèles qui analysent la parole et le langage, découvrent des modèles contextuels et produiront des informations à partir de texte et d'audio.
À la fin de cette spécialisation, vous serez prêt à concevoir des applications NLP qui effectuent une analyse de réponses et des sentiments, créent des outils pour traduire les langues et résumer du texte, et même créer des chatbots. Ces applications et d'autres applications PNL seront à l'avant-garde de la transformation à venir en un avenir alimenté par l'IA.
Cette spécialisation est conçue et enseignée par deux experts de la PNL, de l'apprentissage automatique et de l'apprentissage en profondeur. Younes Bensouda Mourri est un instructeur de l'IA à l'Université de Stanford qui a également aidé à construire la spécialisation en profondeur. Łukasz Kaiser est chercheur du personnel chez Google Brain et co-auteur de Tensorflow, des bibliothèques Tensor2tensor et Trax, et le papier transformateur.
Cette spécialisation vous permettra des techniques d'apprentissage en profondeur de pointe nécessaire pour construire des systèmes de PNL de pointe:
Utilisez la régression logistique, les Bayes naïfs et les vecteurs de mots pour mettre en œuvre l'analyse des sentiments, compléter les analogies et traduire les mots et utiliser le hachage sensible à la localité pour les voisins les plus proches approximatifs.
Utilisez la programmation dynamique, les modèles de Markov cachés et les incorporations de mots pour les mots mal orthographiés autocorrects, les phrases partielles de la saisie semi-automatique et identifiez des balises de discours pour les mots.
Utilisez des réseaux de neurones denses et récurrents, des réseaux LSTMS, GRUS et Siamois dans TensorFlow et Trax pour effectuer une analyse avancée des sentiments, une génération de texte, une reconnaissance des entités nommée et pour identifier les questions en double.
Utilisez l'encodeur-décodeur, la causalité et l'attention pour effectuer une traduction machine avancée des phrases complètes, un résumé de texte, un réponses de questions et pour construire des chatbots. Les modèles couverts incluent T5, Bert, Transformateur, Reformor, et plus encore! Apprécier!
Je reconnais le temps difficile que les gens passent à construire l'intuition, à comprendre de nouveaux concepts et à déboguer les affectations. Les solutions téléchargées ici ne sont que pour référence . Ils sont censés vous débloquer si vous êtes coincé quelque part. Veuillez ne pas copier une partie du code en tant qu'est (les affectations de programmation sont assez faciles si vous lisez attentivement les instructions). De même, essayez les quiz vous-même avant de vous référer aux solutions de quiz.
