Olvasói vélemények
Összegzés:A könyv átfogó útmutató a természetes nyelvfeldolgozás (NLP) transzformátorairól, amelyet részletes magyarázatai, gyakorlati példái és a különböző modellek, például a BERT és a GPT naprakész tartalma miatt dicsérnek. Míg a mélytanulás és az NLP alapvető ismereteivel rendelkezők számára kiváló forrásként szolgál, az abszolút kezdők számára a feltételezett előzetes ismeretek miatt hiányos lehet.
Előnyök:⬤ A transzformátorok és az olyan modellek részletes magyarázata, mint a BERT és a GPT.
⬤ Erős gyakorlati megközelítés kódpéldákkal és gyakorlati útmutatókkal.
⬤ Az NLP alkalmazások és feladatok átfogó lefedettsége.
⬤ Jól strukturált a középhaladó tanulók és a gyakorlati szakemberek számára.
⬤ Naprakész tartalom a legmodernebb NLP-módszerekről.
Hátrányok:⬤ Jelentős előismereteket feltételez az NLP terén, ami a kezdők számára potenciálisan elérhetetlenné teheti.
⬤ Néhány kódpélda nem működik vagy módosításokat igényel.
⬤ Hiányzik a Transformers erős elméleti bevezetése, ami egyes fogalmakat tisztázatlanul hagyhat.
⬤ Néhány olvasó úgy találta, hogy inkább a meglévő anyagok gyűjteménye, mintsem új meglátások.
⬤ Több kritika hibákat említett a képletekben és kódhibákat.
(32 olvasói vélemény alapján)
Eredeti címe:
Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBER
Könyv tartalma:
Legyen mesterséges intelligencia nyelvi megértési szakértő a Transformer neurális hálózati modellek kvantumugrásának elsajátításával
Főbb jellemzők
⬤ Építsd meg és valósítsd meg a legkorszerűbb nyelvi modelleket, mint például az eredeti Transformer, a BERT, a T5 és a GPT-2, olyan koncepciókat használva, amelyek felülmúlják a klasszikus mélytanulási modelleket.
⬤ Menjen végig gyakorlati alkalmazásokon Pythonban a Google Colaboratory Notebooks segítségével, anélkül, hogy bármit is telepítenie kellene a helyi gépre.
⬤ Tanuljon képzési tippeket és alternatív nyelvi megértési módszereket a fontos kulcsfogalmak illusztrálására.
Könyv leírása
A transzformátor architektúra forradalminak bizonyult a ma használatos klasszikus RNN és CNN modellek felülmúlásában. A Transformers for Natural Language Processing (Transzformátorok a természetes nyelvfeldolgozáshoz) című könyv az "apply-as-you-learn" megközelítéssel hatalmas részletességgel vizsgálja a gépi fordítások, a beszédből szöveggé alakítás, a szövegből beszéddé alakítás, a nyelvi modellezés, a kérdések megválaszolása és számos más NLP-tartományban a transzformátorok segítségével történő mélytanulást.
A könyv végigvezet az NLP-n Python segítségével, és megvizsgálja a különböző jeles modelleket és adatkészleteket a transzformátor-architektúrán belül, amelyeket olyan úttörők hoztak létre, mint a Google, a Facebook, a Microsoft, az OpenAI és az Hugging Face.
A könyv három szakaszban képez ki. Az első szakaszban megismerkedhet a transzformátor-architektúrákkal, kezdve az eredeti transzformátorral, majd a RoBERTa, BERT és DistilBERT modellekkel. Felfedezi a kisebb transzformátorok képzési módszereit, amelyek bizonyos esetekben felülmúlják a GPT-3 teljesítményét. A második szakaszban transzformátorokat fogsz alkalmazni a természetes nyelvi megértéshez (NLU) és a természetes nyelvi generáláshoz (NLG). Végül a harmadik szakaszban olyan fejlett nyelvi megértési technikákat fogsz megismerni, mint a közösségi hálózati adathalmazok optimalizálása és az álhírek azonosítása.
Ennek az NLP-könyvnek a végére megérti a transzformátorokat a kognitív tudományok szemszögéből, és jártas lesz a technológiai óriások által előzetesen betanított transzformátor-modellek alkalmazásában különböző adathalmazokra.
Mit fogsz tanulni
⬤ A legújabb előképzett transzformátor modellek használata.
⬤ Megérti az eredeti Transformer, a GPT-2, a BERT, a T5 és más transformer modellek működését.
⬤ Létrehozz nyelvértő Python programokat olyan koncepciók segítségével, amelyek felülmúlják a klasszikus mélytanulási modelleket.
⬤ Használja a különböző NLP platformokat, beleértve az Hugging Face, a Trax és az AllenNLP platformokat.
⬤ Alkalmazza a Python, TensorFlow és Keras programokat az érzelemelemelemzéshez, szövegösszefoglaláshoz, beszédfelismeréshez, gépi fordításokhoz és sok máshoz.
⬤ Mérje a kulcsfontosságú transzformátorok termelékenységét, hogy meghatározhassa azok hatókörét, lehetőségeit és korlátait a termelésben.
Kinek szól ez a könyv
Mivel a könyv nem tanít alapvető programozási ismereteket, a neurális hálózatok, a Python, a PyTorch és a TensorFlow ismerete szükséges ahhoz, hogy megtanulja a transzformátorokkal való megvalósításukat.
Azok az olvasók, akik a legtöbbet profitálhatnak ebből a könyvből, a mélytanulás és az NLP gyakorlói, adatelemzők és adattudósok, akik bevezetést szeretnének kapni a mesterséges intelligencia nyelvi megértésébe, hogy feldolgozhassák az egyre növekvő mennyiségű nyelvvezérelt függvényeket.
