توضیحات

آموزش پردازش زبان طبیعی (NLP) با یادگیری عمیق در پایتون

نام دوره : Natural Language Processing with Deep Learning in Python

پیش نیاز:

• Numpy، Matplotlib، Sci-Kit Learn، و Theano یا TensorFlow را نصب کنید
• پس انتشار و نزول گرادیان را درک کنید، قادر به استخراج و کدگذاری معادلات به تنهایی باشید.
• کد یک شبکه عصبی بازگشتی از ابتدایی های اولیه در Theano (یا Tensorflow)، به خصوص تابع اسکن
• کدگذاری یک شبکه عصبی پیشخور در Theano (یا Tensorflow)
• داشتن تجربه با الگوریتم های درختی مفید است

توضیحات:

در این دوره ما قصد داریم NLP (پردازش زبان طبیعی) را با یادگیری عمیق بررسی کنیم.

قبلاً، شما در مورد برخی از اصول اولیه، مانند این که بسیاری از مسائل NLP فقط مشکلات یادگیری ماشینی معمولی و علم داده هستند، و روش‌های ساده و عملی مانند ماتریس‌های کیسه‌ای از کلمات و سند اصطلاح، یاد گرفتید.

اینها به ما اجازه می‌دهد تا کارهای بسیار جالبی انجام دهیم، مانند شناسایی ایمیل‌های هرزنامه ، نوشتن شعر ، چرخش مقالات و گروه‌بندی کلمات مشابه.

در این دوره من به شما نشان می دهم که چگونه کارهای شگفت انگیزتری را انجام دهید. ما در این دوره نه تنها 1، بلکه 4 معماری جدید را یاد خواهیم گرفت.

اول word2vec است .

در دوره آموزش پردازش زبان طبیعی (NLP) با یادگیری عمیق در پایتون، من دقیقاً به شما نشان می دهم word2vec از تئوری تا پیاده سازی چگونه کار می کند و خواهید دید که این صرفاً کاربرد مهارت هایی است که قبلاً می دانید.

Word2vec جالب است زیرا به طور جادویی کلمات را به یک فضای برداری نگاشت می کند که در آن می توانید قیاس هایی مانند زیر را پیاده کنید:

شاه – مرد = ملکه – زن

فرانسه – پاریس = انگلیس – لندن

دسامبر – نوامبر = جولای – ژوئن

برای آن دسته از مبتدیانی که الگوریتم‌ها را سخت می‌بینند و فقط می‌خواهند از یک کتابخانه استفاده کنند،

استفاده از کتابخانه Gensim را برای به دست آوردن بردارهای کلمات از پیش آموزش‌دیده، محاسبه شباهت‌ها و تشابهات و اعمال آن بردارهای کلمه برای ساخت طبقه‌بندی‌کننده‌های متن نشان خواهیم داد.

ما همچنین قصد داریم به روش GloVe نگاه کنیم که بردارهای کلمه را نیز پیدا می کند، اما از تکنیکی به نام فاکتورسازی ماتریس استفاده می کند که یک الگوریتم محبوب برای سیستم های توصیه کننده است.

به طرز شگفت انگیزی، وکتورهای کلمه تولید شده توسط GLoVe به همان خوبی آنهایی هستند که توسط word2vec تولید می شوند، و آموزش آن بسیار آسان تر است.

ما همچنین به برخی از مشکلات NLP کلاسیک، مانند برچسب‌گذاری بخش‌های گفتار و شناسایی موجودیت نام‌گذاری شده نگاه می‌کنیم و از شبکه‌های عصبی بازگشتی برای حل آنها استفاده می‌کنیم.

خواهید دید که تقریباً هر مشکلی را می توان با استفاده از شبکه های عصبی حل کرد، اما خطرات پیچیدگی بیش از حد را نیز خواهید آموخت.

در نهایت، با شبکه های عصبی بازگشتی آشنا خواهید شد که در نهایت به ما کمک می کند تا مشکل نفی در تحلیل احساسات را حل کنیم .

پیش نیازهای دوره آموزش پردازش زبان طبیعی (NLP) با یادگیری عمیق در پایتون:

• حساب دیفرانسیل و انتگرال (گرفتن مشتقات)
• ماتریس جمع، ضرب
• احتمال (توزیع مشروط و مشترک)
• کدنویسی پایتون: if/else، حلقه‌ها، لیست‌ها، دستورات، مجموعه‌ها
• کدگذاری Numpy: عملیات ماتریس و برداری، بارگیری یک فایل CSV
• شبکه های عصبی و پس انتشار، قادر به استخراج و کدگذاری الگوریتم های نزولی گرادیان به تنهایی باشید.
• می تواند یک شبکه عصبی پیشخور را در Theano یا TensorFlow بنویسد
• می تواند یک شبکه عصبی بازگشتی / LSTM / GRU را در Theano یا TensorFlow از ابتدایی های اولیه، به ویژه عملکرد اسکن بنویسد.
• داشتن تجربه با الگوریتم های درختی مفید است

دوره آموزش پردازش زبان طبیعی (NLP) با یادگیری عمیق در پایتون برای چه کسانی است:

• دانش‌آموزان و متخصصانی که می‌خواهند نمایش‌های برداری کلمه برای کارهای مختلف NLP ایجاد کنند
• دانشجویان و متخصصان علاقه مند به معماری های پیشرفته شبکه های عصبی مانند شبکه های عصبی بازگشتی