Natural Language Processing Specialization

Специализация обработки естественного языка

Обработка естественного языка (NLP) использует алгоритмы для понимания и манипулирования человеческим языком. Эта технология является одной из наиболее широко применяемых областей машинного обучения. По мере того, как ИИ продолжает расширяться, и спрос на профессионалов, обладающий опытом создания моделей, которые анализируют речь и язык, раскрывают контекстуальные модели и дают представление о текстах и ​​аудио. Эта специализация обеспечит вам современные методы глубокого обучения, необходимые для создания передовых систем НЛП. К концу этой специализации вы будете готовы разработать приложения NLP, которые выполняют анализ ответов на вопросы и настроения, создают инструменты для перевода языков и суммирования текста и даже создания чат-ботов.

Эта специализация предназначена для студентов машинного обучения или искусственного интеллекта, а также инженеров -программистов, ищущих более глубокое понимание того, как работают модели НЛП и как их применять. Учащиеся должны обладать практическими знаниями в области машинного обучения, промежуточного питона, включая опыт работы с глубоким обучением (например, Tensorflow, Keras), а также владение исчислением, линейной алгеброй и статистикой. Если вы хотите освежить эти навыки, мы рекомендуем специализацию по глубокому обучению, предлагаемую Deeplearning.ai и преподанный Эндрю Нг.

Эта специализация разработана и преподается двумя экспертами в НЛП, машинном обучении и глубоком обучении. ЮНС Бенсуда Мурри - инструктор по искусственному интеллекту в Стэнфордском университете, который также помог построить специализацию по глубокому обучению. Внукаш Кайзер-ученый-исследователь штата Google Brain и соавтор Tensorflow, библиотеки Tensor2tensor и Trax, а также документ Transformer.

Курс 1: классификация и векторные пространства в НЛП

Это первый курс специализации по обработке естественного языка.

Неделя 1: логистическая регрессия для анализа настроений твитов

• Используйте простой метод для классификации положительных или отрицательных настроений в твитах

Неделя 2: наивный байеса для анализа настроений твитов

• Используйте более продвинутую модель для анализа настроений

Неделя 3: векторные пространственные модели

• Используйте модели векторного пространства для обнаружения отношений между словами и используйте анализ основных компонентов (PCA), чтобы уменьшить размерность векторного пространства и визуализировать эти отношения

Неделя 4: Слово встраиваемые и чувствительные к местности хеширование для машинного перевода

• Напишите простой алгоритм перевода английского на французский

Курс 2: Вероятностные модели в NLP

Это второй курс специализации по обработке естественного языка.

Неделя 1: Автокоррекция с использованием минимального расстояния редактирования

• Создать простой автоматический алгоритм с использованием минимального расстояния редактирования и динамического программирования

Неделя 2: Часть речи (POS)

• Применить алгоритм Viterbi для тега POS, что важно для вычислительной лингвистики

Неделя 3: N-грамм-модели

• Напишите лучший алгоритм автоматического завершения с использованием модели N-грамма (аналогичные модели используются для перевода, определение автора текста и распознавание речи)

Неделя 4: Word2VEC и стохастический градиент спуск

• Напишите свою собственную модель Word2VEC, которая использует нейронную сеть для вычисления встроений Word с использованием непрерывной модели пакета слов

Курс 3: модели последовательности в NLP

Это третий курс в специализации по обработке естественного языка.

Неделя 1: настроение с нейронными сетями

• Обучить нейронную сеть с перчаточными встроениями для проведения настроений твитов

Неделя 2: Модели генерации языка

• Создание синтетического текста Шекспира с использованием языковой модели рецидивирующего блока (GRU)

Неделя 3: Признание субъекта (NER)

• Обучить повторяющуюся нейронную сеть для выполнения NER с использованием LSTM с линейными слоями

Неделя 4: Сиамские сети

• Используйте так называемые модели «сиамских» LSTM для сравнения вопросов в корпусе и определения тех, которые сформулированы по-разному, но имеют одинаковое значение

Курс 4: Модели внимания в НЛП

Это четвертый курс в специализации по обработке естественного языка.

Неделя 1: перевод нейронной машины с вниманием

• Перевести полные английские предложения на французский, используя модель внимания энкодера/декодера

Неделя 2: суммирование с моделями трансформаторов

• Создайте модель трансформатора, чтобы суммировать текст

Неделя 3: Вопрос-перевозки с моделями трансформаторов

• Используйте модели T5 и BERT для ответа на вопросы вопросов

Неделя 4: чат -боты с моделью реформатора

• Создайте чат -бот, используя модель реформатора

Свидетельство о завершении специализации