Natural Language Processing Specialization

Especialização de processamento de linguagem natural

O processamento de linguagem natural (PNL) usa algoritmos para entender e manipular a linguagem humana. Essa tecnologia é uma das áreas mais amplamente aplicadas de aprendizado de máquina. À medida que a IA continua a se expandir, também a demanda por profissionais qualificados na construção de modelos que analisam a fala e a linguagem, descobrem padrões contextuais e produzem insights do texto e do áudio. Essa especialização o equipará com as técnicas de aprendizado profundo de última geração necessárias para criar sistemas de PNL de ponta. No final desta especialização, você estará pronto para projetar aplicativos de PNL que executem análises de resposta a perguntas e sentimentos, criarão ferramentas para traduzir idiomas e resumir o texto e até criar chatbots.

Essa especialização é para estudantes de aprendizado de máquina ou inteligência artificial, bem como engenheiros de software que procuram uma compreensão mais profunda de como os modelos de PNL funcionam e como aplicá -los. Os alunos devem ter um conhecimento prático do aprendizado de máquina, Python intermediário, incluindo experiência com uma estrutura de aprendizado profundo (por exemplo, tensorflow, Keras), bem como proficiência em cálculo, álgebra linear e estatística. Se você deseja aprimorar essas habilidades, recomendamos a especialização de aprendizagem profunda, oferecida pela Deeplearning.ai e ensinada por Andrew Ng.

Essa especialização foi projetada e ensinada por dois especialistas em PNL, aprendizado de máquina e aprendizado profundo. Younes Bensouda Mourri é instrutora de IA na Universidade de Stanford, que também ajudou a construir a profunda especialização de aprendizado. Łukasz Kaiser é um cientista de pesquisa da equipe do Google Brain e o co-autor do Tensorflow, as bibliotecas Tensor2tensor e Trax e o artigo do Transformer.

Curso 1: Classificação e espaços vetoriais na NLP

Este é o primeiro curso da especialização do processamento de linguagem natural.

Semana 1: Regressão logística para análise de sentimentos de tweets

• Use um método simples para classificar sentimentos positivos ou negativos em tweets

Semana 2: Bayes ingênuo para análise de sentimentos de tweets

• Use um modelo mais avançado para análise de sentimentos

Semana 3: modelos de espaço vetorial

• Use modelos de espaço vetorial para descobrir as relações entre as palavras e usar a análise de componentes principais (PCA) para reduzir a dimensionalidade do espaço vetorial e visualizar esses relacionamentos

Semana 4: incorporações de palavras e hash sensíveis à localidade para tradução para a máquina

• Escreva um simples algoritmo de tradução em inglês para francês usando incorporações de palavras pré-computadas e hash sensíveis à localidade para relacionar palavras por meio de busca aproximada dos vizinhos K-Nearest

Curso 2: Modelos probabilísticos na PNL

Este é o segundo curso da especialização do processamento de linguagem natural.

Semana 1: Correção automática usando a distância de edição mínima

• Crie um algoritmo simples de correção automática usando distância de edição mínima e programação dinâmica

Semana 2: marcação de parte da fala (POS)

• Aplique o algoritmo Viterbi para marcação de POS, o que é importante para a lingüística computacional

Semana 3: modelos de idiomas n-grama

• Escreva um algoritmo melhor com preenchimento automático usando um modelo N-Gram (modelos semelhantes são usados ​​para tradução, determinando o autor de um texto e reconhecimento de fala)

Semana 4: Word2vec e descida de gradiente estocástica

• Escreva seu próprio modelo Word2vec que usa uma rede neural para calcular incorporações de palavras usando um modelo contínuo de saco de palavras

Curso 3: Modelos de sequência em NLP

Este é o terceiro curso na especialização do processamento de linguagem natural.

Semana 1: Sentimento com redes neurais

• Treine uma rede neural com incorporações de palavras de luva para realizar análises de sentimentos de tweets

Semana 2: modelos de geração de idiomas

• Gerar texto sintético de shakespeare usando um modelo de linguagem de unidade recorrente (GRU) (GRU)

Semana 3: Reconhecimento de entidades nomeado (NER)

• Treine uma rede neural recorrente para executar o NER usando LSTMS com camadas lineares

Semana 4: Redes Siamese

• Use os chamados modelos LSTM 'siameses' para comparar perguntas em um corpus e identificar aqueles que são redigidos de maneira diferente, mas têm o mesmo significado

Curso 4: Modelos de atenção na NLP

Este é o quarto curso da especialização do processamento de linguagem natural.

Semana 1: Tradução da máquina neural com atenção

• Traduzir as frases completas em inglês para o francês usando um modelo de atenção do codificador/decodificador

Semana 2: Resumo com modelos de transformadores

• Construa um modelo de transformador para resumir o texto

Semana 3: Perguntas que respondem com modelos de transformadores

• Use modelos T5 e Bert para executar a resposta de perguntas

Semana 4: Chatbots com um modelo de reformador

• Construa um chatbot usando um modelo de reformador

Certificado de conclusão de especialização