coursera natural language processing specialization
1.0.0
Задание по программированию из всех курсов по специализации по обработке естественного языка Coursera, предлагаемой deeplearning.ai .
Этот репо содержит мою работу для этой специализации. База кода, вопросы викторины и диаграммы взяты из специализации по обработке естественного языка, если не указано иное.
Специализация по обработке естественного языка на Coursera содержит четыре курса:
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.
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. Эти и другие приложения NLP будут в авангарде предстоящего преобразования в будущее, способствующее AI.
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.
Эта специализация обеспечит вам современные методы глубокого обучения, необходимые для создания передовых систем НЛП:
Используйте логистическую регрессию, наивную байесу и векторы Word для реализации анализа настроений, полных аналогий и перевода слов, а также используйте местность, чувствительное к месту, для приблизительных ближайших соседей.
Используйте динамическое программирование, скрытые модели Маркова и встроения слов для автозакомплектованных слов с ошибками, автозаполненными частичными предложениями и определить чартные теги для слов.
Используйте плотные и повторяющиеся нейронные сети, LSTMS, Grus и Siamse Networks в Tensorflow и Trax, чтобы выполнить расширенные настроенные анализ, генерацию текста, названное распознавание сущности и определить дублирующие вопросы.
Используйте Encoder-Decoder, причинно-следственную связь и самоуверенность для выполнения расширенного машинного перевода полных предложений, текстового обобщения, ответа на вопросы и для создания чат-ботов. Покрытые модели включают T5, Bert, Transformer, Reformer и многое другое! Наслаждаться!
Я признаю трудное время на создание интуиции, понимание новых концепций и отладку заданий. Решения, загруженные здесь, предназначены только для справки . Они призваны разблокировать вас, если вы где -то застряли. Пожалуйста, не копируйте какую-либо часть кода как есть (задания по программированию довольно просты, если вы внимательно прочитаете инструкции). Точно так же попробуйте тесты самостоятельно, прежде чем ссылаться на решения викторины.
