หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การเรียนรู้อย่างลึกซึ้งสำหรับ NLP

บทช่วยสอนนี้เป็นการแนะนำการใช้อัลกอริทึมการเรียนรู้อย่างลึกซึ้งในโดเมนของการประมวลผลภาษาธรรมชาติ

และจัดทำขึ้นโดยใช้เนื้อหา (ทฤษฎีและรหัส) จากแหล่งข้อมูลต่อไปนี้:

  1. การเรียนรู้อย่างลึกซึ้งกับ Python, หนังสือโดยFrançois chollet
  2. วิธีการเครือข่ายประสาทในการประมวลผลภาษาธรรมชาติหนังสือโดย Yoav Goldberg
  3. CS224D: การเรียนรู้อย่างลึกซึ้งสำหรับการประมวลผลภาษาธรรมชาติ

รหัสการปฏิบัติเกี่ยวกับชุดข้อมูลการจัดหมวดหมู่ความคิดเห็นที่เป็นพิษของ Kaggle

สารบัญ

  1. ใช้เคส

    1. การจำแนกลำดับ
      1. การตรวจจับภาษา
      2. การจำแนกประเภท (ความเชื่อมั่นหัวข้อ ฯลฯ )
      3. การจำแนกคำหลัก (ชื่อเพศชื่อสถานที่/บุคคล)
    2. ลำดับถึงลำดับ (seq2seq)
      1. การแปล
      2. Gmail Smart ตอบกลับ
      3. AI การสนทนา: แชทบอท
    3. คนอื่น
      1. ชื่อ, เรื่องราว, บทกวี, เครื่องกำเนิดกล่องโต้ตอบ
      2. คำบรรยายภาพ
      3. ส่วนหนึ่งของการติดแท็กคำพูด
      4. การรับรู้ชื่อเอนทิตี

  2. การตั้งค่าระบบ

    1. Python 3.6
    2. ปิ๊ก
    3. virtualenv
    4. ห้องสมุด:
      • เครส
      • เทนเซอร์โฟลว์
      • Jupyter
      • matplotlib

  3. ชุดข้อมูลที่จะเล่น

    1. ชุดข้อมูลตรวจสอบ IMDB
    2. Kaggle (ความคิดเห็นการจำแนกความคิดเห็นที่เป็นพิษ) ชุดข้อมูลความคิดเห็น Wikipedia
    3. Ubuntu Dialog Corpora
    4. ชุดข้อมูลการแปล
    5. ชุดข้อมูลอื่น ๆ

  4. การวิเคราะห์ข้อมูล

    1. การวิเคราะห์ทั่วไป

  5. การแสดงลำดับ

    1. การแสดง
    2. การเข้ารหัสร้อนหนึ่งครั้ง
    3. การฝังคำ
      • การฝังตัวที่ผ่านการฝึกอบรมล่วงหน้า
        • Word2Vec
        • ถุงมือ

  6. แบบจำลอง

    1. ฝังลงในคลาสรุ่น 1
    2. การฝังที่เชื่อมต่อกับ 1 เลเยอร์ RNN (เครือข่ายประสาทกำเริบ) รุ่น 2 และรุ่น 2 ขยาย
    3. แบบสองทิศทาง RNN Model 3 และ Model 3 Extended

  7. สถาปัตยกรรม RNN ที่ทันสมัย

    1. หน่วยความจำระยะสั้นระยะยาว (LSTM)
    2. หน่วยกำเริบของ Gater (GRU)
    3. seq2seq
    4. ความสนใจ
    5. การค้นหาลำแสง

  8. เครส

    1. API และคำหลัก
      1. Optimizers
      2. การสูญเสีย
      3. การเปิดใช้งาน
      4. ตัวชี้วัด
    2. ปรับใช้แบบจำลองเพื่อการผลิตและการอนุมาน

  9. เทคนิคการเพิ่มประสิทธิภาพแบบจำลอง

    1. การออกกลางคัน
    2. backpropagation ที่ถูกตัดทอนตลอดเวลา (TBPTT)
    3. ปัญหาการไล่ระดับสีหายไป
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด