DeepLearn

DEEPEEPERN

Selamat datang di Deeplearn. Repositori ini berisi implementasi makalah penelitian berikut tentang NLP, CV, ML, dan Deep Learning.

 - Latest Update : Added _deeplearn_utils modules. Check the releases for description of new features.

[1] Jaringan saraf korelasi . CV, Pembelajaran Transfer, Pembelajaran Representasi. kode

[2] Penalaran dengan jaringan tensor saraf untuk penyelesaian basis pengetahuan . NLP, ML. kode

[3] Pembelajaran Representasi Umum Menggunakan Korelasi Berbasis Langkah Multi-Modal CNN . CV, Pembelajaran Transfer, Pembelajaran Representasi. kode

[4] ABCNN: Jaringan saraf konvolusional berbasis perhatian untuk pemodelan pasangan kalimat. NLP, pembelajaran mendalam, pencocokan kalimat. kode

[5] Belajar memberi peringkat pasangan teks pendek dengan jaringan saraf dalam konvolusional. NLP, pembelajaran mendalam, CQA. kode

[6] Menggabungkan fitur saraf, statistik dan eksternal untuk identifikasi sikap berita palsu. NLP, IR, pembelajaran mendalam. kode

[7] Wikiqa: Dataset tantangan untuk menjawab pertanyaan domain terbuka. NLP, pembelajaran mendalam, CQA. kode

[8] Arsitektur berulang Siam untuk belajar kesamaan kalimat. NLP, kesamaan kalimat, pembelajaran mendalam. kode

[9] Arsitektur Jaringan Tensor Saraf Konvolusional untuk menjawab pertanyaan komunitas. NLP, pembelajaran mendalam, CQA. kode

[10] Peta-reduce untuk pembelajaran mesin di multicore. Peta-reduce, Hadoop, ML. kode

[11] Mesin pengajaran untuk dibaca dan dipahami. NLP, pembelajaran mendalam. kode

[12] Peningkatan pembelajaran representasi untuk pencocokan jawaban pertanyaan. NLP, pembelajaran mendalam, CQA. kode

[13] Fitur eksternal untuk menjawab pertanyaan komunitas. NLP, pembelajaran mendalam, CQA. kode

[14] Identifikasi bahasa dan disambiguasi dalam skrip campuran India . NLP, IR, ML. kode

[15] Konstruksi model semi-otomatis untuk pengambilan FAQ melalui layanan pesan pendek . NLP, IR, ML. kode

Ketergantungan:

Ketergantungan yang diperlukan disebutkan dalam persyaratan.txt. Saya juga akan menggunakan modul DL-TEXT untuk menyiapkan dataset. Jika Anda belum menggunakannya, silakan lihat dengan cepat.

$ pip install - r requirements . txt