مطالب پیشنهادی از سراسر وب

آموزش پردازش زبان طبیعی با PyTorch

دسته بندی ها: آموزش پای تورچ (PyTorch) ، آموزش پایتون (Python) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight) ، پردازش زبان طبیعی (NLP)

از ربات های چت گرفته تا مقالات تولید شده توسط ماشین، برخی از داغترین کاربردهای ML و AI این روزها برای داده ها به صورت متنی است. در این دوره، پردازش زبان طبیعی با PyTorch، شما توانایی طراحی و پیاده سازی مدل های پیچیده پردازش متن با استفاده از PyTorch که به دلیل انعطاف پذیری، سهولت استفاده، بسیار سریع به عنوان یک گزینه محبوب برای ساخت مدل های یادگیری عمیق ظاهر می شود و پشتیبانی داخلی برای سخت افزار بهینه سازی شده مانند GPU را خواهید داشت. ابتدا خواهید آموخت که چگونه از شبکه های عصبی بازگشتی (RNN) برای گرفتن روابط پی در پی در داده های متنی استفاده کنید. در مرحله بعدی، شما نحوه بیان متن با استفاده از تعبیه های وکتور کلمه، شکل پیچیده ای از رمزگذاری توسط امکانات خارجی در PyTorch از طریق ابزار torchtext پشتیبانی می شود را خواهید یافت. سرانجام، شما نحوه ساخت RNN های چند سطحی پیچیده و RNN دو طرفه را برای گرفتن روابط واپسگرا و رو به جلو در داده ها پی خواهید برد. شما با ساخت RNN های ترتیب به تربیب برای ترجمه زبان را به اتمام می رسانید. پس از پایان این دوره، مهارت و دانش لازم برای طراحی و پیاده سازی مدل های پیچیده پردازش زبان طبیعی با استفاده از شبکه های عصبی بازگشتی پیچیده در PyTorch را خواهید داشت.

بررسی دوره

آیا این نوشته را دوست داشتید؟
Pluralsight Natural Language Processing with PyTorch Author:Janani Ravi Duration:2:58:02 Level:Advanced

From chatbots to machine-generated literature, some of the hottest applications of ML and AI these days are for data in textual form. In this course, Natural Language Processing with PyTorch, you will gain the ability to design and implement complex text processing models using PyTorch, which is fast emerging as a popular choice for building deep-learning models owing to its flexibility, ease-of-use, and built-in support for optimized hardware such as GPUs. First, you will learn how to leverage recurrent neural networks (RNNs) to capture sequential relationships within text data. Next, you will discover how to express text using word vector embeddings, a sophisticated form of encoding that is supported by out-of-the-box in PyTorch via the torchtext utility. Finally, you will explore how to build complex multi-level RNNs and bidirectional RNNs to capture both backward and forward relationships within data. You will round out the course by building sequence-to-sequence RNNs for language translation. When you are finished with this course, you will have the skills and knowledge to design and implement complex natural language processing models using sophisticated recurrent neural networks in PyTorch.

پیشنهاد آموزش مرتبط در فرادرس