Углубленный курс по Natural Language Processing на скидке в 87%
Курс Machine Learning: Natural Language Processing in Python (V2) прошло 11 000 студентов, которые оставили более 2 000 положительных отзывов. За 23 часа вы глубже погрузитесь в AI, Deep Learning, Machine Learning, Data Science и Python.
Рассказываем, о чем курс.
Базовые знания, чтобы пройти Machine Learning: Natural Language Processing in Python
Базовые знания Python, знание линейной алгебры и теории вероятностей, если вы хотите разобраться в математических разделах курса.
Отзывы студентов
В отзывах к курсу студенты отмечают хороший темп преподавания, гармоничное сочетание теории и практики, быструю обратную связь от преподавателей.
Из каких блоков состоит курс
- Векторные модели и методы предварительной обработки текста
- Вероятностные модели и марковские модели
- Методы машинного обучения
- Методы глубокого обучения и нейронных сетей
В первой части вы узнаете о том, почему векторы так важны в науке о данных и искусственном интеллекте. Узнаете о методах преобразования текста в векторы, таких как CountVectorizer и TF-IDF, а также познакомитесь с основами методов нейронного встраивания: word2vec и GloVe. Попутно вы также изучите важные этапы предварительной обработки текста, такие как токенизация, стемминг и лемматизация. Кратко познакомитесь с классическими задачами NLP, такими как выделение частей речи тегами.
Во второй части вы увидите, как вероятностные модели могут быть использованы различными способами, такими как: построение текстового классификатора или генерация текста (создание поэзии). Важно отметить, что эти методы являются необходимой предпосылкой для понимания того, как работают новейшие модели трансформаторов, такие как BERT и GPT-3. В частности, вы узнаете о двух важных задачах, которые соответствуют целям предварительной подготовки для BERT и GPT.
В третьей части вы узнаете о других классических задачах NLP, таких как: обнаружение спама; анализ настроений; латентный семантический анализ (также известный как латентное семантическое индексирование); тематическое моделирование. Этот раздел будет посвящен практике, а не теории. Это значит, что вместо того, чтобы тратить большую часть усилий на изучение деталей различных алгоритмов ML, вы сосредоточитесь на том, как их можно применить к вышеуказанным задачам.
В четвертой части вы узнаете о современных архитектурах нейронных сетей, которые могут быть применены для решения задач NLP. Вы узнаете об искусственных нейронных сетях прямого действия (ANNS); о встраивании; сверточных нейронных сетях (CNNs) и рекуррентных нейронных сетях (RNNs). При изучении RNNS будут задействованы современные архитектуры, такие как LSTM и GRU, которые широко используются Google, Amazon, Apple, Facebook и т. д. для сложных задач, таких как языковой перевод, распознавание речи и преобразование текста в речь.
Если вам этот курс не понравился, вы можете выбрать другой. Еще 7 дней на Udemy сезонная распродажа курсов со скидками до 83% на большое количество курсов.
Примечание
В статье есть ссылки партнеров. Это значит, что если вы что-то покупаете с нашей помощью — вы также поддерживаете dev.by. (Вот другой способ).
При этом редакция и авторы независимы в выборе темы, концепции материала, фокуса описания, подхода к услугам или товарам. Прежде чем что-то советовать, мы много читаем и смотрим по теме, говорим с экспертами.
Редакция может выражать свое мнение и пробовать всё на себе.
Если рекомендательный материал обновляется, мы указываем, что и когда поменялось, в самом начале.
Читать на dev.by