Kezdő lépések a mélytanulással a természetes nyelvi feldolgozáshoz: Megtanulja, hogyan készítsen NLP-alkalmazásokat mélytanulással

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 16 olvasói szavazat alapján történt.

Eredeti címe:

Getting started with Deep Learning for Natural Language Processing: Learn how to build NLP applications with Deep Learning

Könyv tartalma:

Ismerje meg, hogyan tervezze újra az NLP-alkalmazásokat a semmiből.

Főbb jellemzők

⬤  Ismerkedjen meg bármely gépi tanulási vagy mélytanulási alkalmazás alapjaival.

⬤  Értse meg, hogyan működik az előfeldolgozás az NLP csővezetékben.

⬤  Használjon egyszerű PyTorch snippeteket az NLP-ben általánosan használt hálózat alapvető építőelemeinek létrehozásához.

⬤  Ismerkedjen meg a fejlett beágyazási technikával, a generatív hálózattal és a hangjelfeldolgozási technikákkal.

Leírás

A természetes nyelvfeldolgozás (NLP) az egyik olyan terület, ahol számos gépi tanulási és mélytanulási technikát alkalmaznak.

Ez a könyv széles területeket fed le, beleértve a gépi tanulás alapjait, a hiperparaméterek megértését és optimalizálását, a konvolúciós neurális hálózatokat (CNN) és a rekurrens neurális hálózatokat (RNN). Ez a könyv nemcsak a szövegfeldolgozás klasszikus koncepciójával foglalkozik, hanem a legújabb fejlesztéseket is megosztja. Ez a könyv képessé teszi a felhasználókat a legkisebb számítási és időigényű hálózatok tervezésében. Ez a könyv nemcsak a természetes nyelvfeldolgozás alapjait tárgyalja, hanem segít megfejteni a fejlett koncepciók/architektúrák, például a kötegnormálás, a pozícióbeágyazás, a DenseNet, a figyelemmechanizmus, az autópálya hálózatok, a transzformátor modellek és a sziámi hálózatok logikáját is. A könyv olyan legújabb fejlesztésekkel is foglalkozik, mint az ELMo-BiLM, SkipThought és Bert. Ez a könyv a gyakorlati megvalósítást is tárgyalja a mélytanulási technikák lépésről lépésre történő magyarázatával a témamodellezés, a szöveggenerálás, a megnevezett entitások felismerése, a szövegösszegzés és a nyelvi fordítás területén. Mindezek mellett olyan nagyon fejlett és a kutatás számára nyitott témákat is tárgyal, mint a generatív adverzális hálózat és a beszédfeldolgozás.

Mit fog tanulni?

⬤  Megtanulja, hogyan lehet a GPU-t kihasználni a mélytanuláshoz.

⬤  Tanulja meg, hogyan kell használni az összetett beágyazási modelleket, például a BERT-et.

⬤  Ismerkedjen meg a gyakori NLP-alkalmazásokkal.

⬤  Ismerje meg a GAN-ok NLP-ben való használatát.

⬤  Ismerje meg a beszédadatok feldolgozását és a beszédalkalmazásokban való megvalósítását.

Kinek szól ez a könyv

Ez a könyv kötelező olvasmány mindenkinek, aki a gépi tanulással és a mélytanulással szeretné kezdeni a karrierjét. Ez a könyv azoknak is szól, akik GPU-t szeretnének használni Deep Learning alkalmazások fejlesztéséhez.

Tartalomjegyzék

1. A tanulási folyamat alapjainak megértése.

2. Szövegfeldolgozási technikák.

3. A nyelv matematikai reprezentálása.

4. RNN használata NLP-ben.

5. CNN alkalmazása NLP feladatokban.

6. NLP gyorsítása fejlett beágyazásokkal.

7. A mélytanulás alkalmazása NLP feladatokban.

8. Komplex architektúrák alkalmazása az NLP-ben.

9. Generatív hálózatok megértése.

10. A beszédfeldolgozás technikái.

11. Az előttünk álló út.

A szerzőkről

Sunil Patel az Indian Institute of Information technology-Allahabad informatikai intézetben szerezte meg mesterdiplomáját informatika szakon, diplomamunkája a 3D-s fehérje-fehérje kölcsönhatások mélytanulással történő vizsgálatára összpontosított. Sunil a TCS Innovation Labs, az Excelra és az Innoplexus cégeknél dolgozott, mielőtt az Nvidia-hoz csatlakozott. A kutatás fő területei a mélytanulás, a természetes nyelvfeldolgozás használata a banki és az egészségügyi területen voltak.

Sunil a mélytanulással való kísérletezést a csővezetékekben használt alaprétegek beültetésével kezdte, majd egy valós problémára komplex csővezetékeket fejlesztett. Ezen kívül Sunil részt vett a CASP-2014-en is az SCFBIO-IIT Delhi-vel együttműködve, hogy hatékonyan megjósolja a lehetséges fehérje multimer képződést és annak hatását a betegségekre a Deep Learning segítségével. Jelenleg Sunil az Nvidia-nál dolgozik, mint Data Scientist - III.

LinkedIn profil https: //www.linkedin.com/in/linus1/.