Natural Language Processing Specialization

Spesialisasi pemrosesan bahasa alami

Natural Language Processing (NLP) menggunakan algoritma untuk memahami dan memanipulasi bahasa manusia. Teknologi ini adalah salah satu bidang pembelajaran mesin yang paling diterapkan secara luas. Ketika AI terus berkembang, demikian juga permintaan bagi para profesional yang terampil dalam membangun model yang menganalisis bicara dan bahasa, mengungkap pola kontekstual, dan menghasilkan wawasan dari teks dan audio. Spesialisasi ini akan membekali Anda dengan teknik pembelajaran mendalam canggih yang diperlukan untuk membangun sistem NLP mutakhir. Pada akhir spesialisasi ini, Anda akan siap merancang aplikasi NLP yang melakukan analisis pertanyaan dan sentimen pertanyaan, membuat alat untuk menerjemahkan bahasa dan merangkum teks, dan bahkan membangun chatbots.

Spesialisasi ini untuk siswa pembelajaran mesin atau kecerdasan buatan serta insinyur perangkat lunak yang mencari pemahaman yang lebih dalam tentang bagaimana model NLP bekerja dan cara menerapkannya. Peserta didik harus memiliki pengetahuan yang bekerja tentang pembelajaran mesin, Python menengah termasuk pengalaman dengan kerangka kerja pembelajaran yang mendalam (misalnya, TensorFlow, KERAS), serta kecakapan dalam kalkulus, aljabar linier, dan statistik. Jika Anda ingin memoles keterampilan ini, kami merekomendasikan spesialisasi pembelajaran yang mendalam, yang ditawarkan oleh deeplearning.ai dan diajarkan oleh Andrew Ng.

Spesialisasi ini dirancang dan diajarkan oleh dua ahli di NLP, pembelajaran mesin, dan pembelajaran yang mendalam. Younes Bensouda Mourri adalah instruktur AI di Universitas Stanford yang juga membantu membangun spesialisasi pembelajaran yang mendalam. Łukasz Kaiser adalah ilmuwan riset staf di Google Brain dan rekan penulis TensorFlow, perpustakaan Tensor2Tensor dan Trax, dan kertas transformator.

Kursus 1: Klasifikasi dan Ruang Vektor di NLP

Ini adalah kursus pertama dari spesialisasi pemrosesan bahasa alami.

Minggu 1: Regresi logistik untuk analisis sentimen tweet

• Gunakan metode sederhana untuk mengklasifikasikan sentimen positif atau negatif dalam tweet

Minggu 2: Bayes Naif untuk Analisis Sentimen Tweet

• Gunakan model yang lebih canggih untuk analisis sentimen

Minggu 3: Model Ruang Vektor

• Gunakan model ruang vektor untuk menemukan hubungan antara kata -kata dan menggunakan analisis komponen utama (PCA) untuk mengurangi dimensi ruang vektor dan memvisualisasikan hubungan tersebut

Minggu 4: Embeddings Word dan Hashing Sensitif Lokalitas untuk Terjemahan Mesin

• Tulis algoritma terjemahan bahasa Inggris-ke-prancis yang sederhana menggunakan embeddings kata yang telah dikomputasi dan hashing sensitif lokalitas untuk menghubungkan kata-kata melalui perkiraan pencarian tetangga k-nearest

Kursus 2: Model Probabilistik di NLP

Ini adalah kursus kedua dari spesialisasi pemrosesan bahasa alami.

Minggu 1: Koreksi otomatis menggunakan jarak edit minimum

• Buat algoritma koreksi otomatis sederhana menggunakan jarak edit minimum dan pemrograman dinamis

Minggu 2: penandaan bagian-of-speech (POS)

• Terapkan algoritma Viterbi untuk penandaan POS, yang penting untuk linguistik komputasi

Minggu 3: Model Bahasa N-Gram

• Tulis algoritma lengkap otomatis yang lebih baik menggunakan model n-gram (model serupa digunakan untuk terjemahan, menentukan penulis teks, dan pengenalan ucapan)

Minggu 4: Word2Vec dan Stochastic Gradient Descent

• Tulis model Word2Vec Anda sendiri yang menggunakan jaringan saraf untuk menghitung embeddings kata menggunakan model tas-of-word kontinu

Kursus 3: Model Urutan di NLP

Ini adalah kursus ketiga dalam spesialisasi pemrosesan bahasa alami.

Minggu 1: Sentimen dengan Neural Nets

• Latih jaringan saraf dengan kata -kata sarung tangan untuk melakukan analisis sentimen tweet

Minggu 2: Model Generasi Bahasa

• Hasilkan Teks Shakespeare Sintetis Menggunakan Model Bahasa Unit Recurrent Gated Recurrent

Minggu 3: Named Entity Recognition (NER)

• Latih jaringan saraf berulang untuk melakukan NER menggunakan LSTM dengan lapisan linier

Minggu 4: Jaringan Siam

• Gunakan apa yang disebut model LSTM 'Siamese' untuk membandingkan pertanyaan dalam korpus dan mengidentifikasi yang diucapkan secara berbeda tetapi memiliki arti yang sama

Kursus 4: Model Perhatian di NLP

Ini adalah kursus keempat dalam spesialisasi pemrosesan bahasa alami.

Minggu 1: terjemahan mesin saraf dengan perhatian

• Menerjemahkan kalimat bahasa Inggris lengkap ke dalam bahasa Prancis menggunakan model perhatian encoder/decoder

Minggu 2: Ringkasan dengan model transformator

• Bangun model transformator untuk merangkum teks

Minggu 3: Permintaan pertanyaan dengan model transformator

• Gunakan model T5 dan Bert untuk melakukan jawaban pertanyaan

Minggu 4: Chatbots dengan model Reformer

• Bangun chatbot menggunakan model reformer

Sertifikat Penyelesaian Spesialisasi