Noțiuni introductive de Deep Learning pentru procesarea limbajului natural: Aflați cum să construiți aplicații NLP cu Deep Learning

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 16 voturi.

Titlul original:

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

Conținutul cărții:

Aflați cum să reproiectați aplicațiile NLP de la zero.

Caracteristici principale

⬤  Familiarizați-vă cu elementele de bază ale oricărei aplicații de Machine Learning sau Deep Learning.

⬤  Înțelegeți cum funcționează preprocesarea în conducta NLP.

⬤  Utilizați fragmente PyTorch simple pentru a crea blocuri de bază ale rețelei utilizate în mod obișnuit în NLP.

⬤  Familiarizați-vă cu tehnica avansată de încorporare, rețeaua generativă și tehnicile de procesare a semnalului audio.

Descriere

Procesarea limbajului natural (NLP) este unul dintre domeniile în care se aplică multe tehnici de învățare automată și învățare profundă.

Această carte acoperă domenii largi, inclusiv fundamentele învățării automate, înțelegerea și optimizarea hiperparametrilor, rețelele neurale de convoluție (CNN) și rețelele neurale recurente (RNN). Această carte nu numai că acoperă conceptul clasic de prelucrare a textului, dar împărtășește și progresele recente. Această carte va împuternici utilizatorii în proiectarea rețelelor cu cea mai mică complexitate de calcul și de timp. Această carte nu numai că acoperă elementele de bază ale procesării limbajului natural, dar ajută și la descifrarea logicii din spatele conceptelor/arhitecturilor avansate, cum ar fi normalizarea loturilor, încorporarea poziției, DenseNet, mecanismul de atenție, rețelele de autostrăzi, modelele Transformer și rețelele siameze. Această carte acoperă, de asemenea, progresele recente, cum ar fi ELMo-BiLM, SkipThought și Bert. Această carte acoperă, de asemenea, implementarea practică cu explicarea pas cu pas a tehnicilor de învățare profundă în modelarea temelor, generarea de text, recunoașterea entităților numite, sumarizarea textului și traducerea lingvistică. În plus, sunt acoperite și subiecte foarte avansate și deschise cercetării, cum ar fi Generative Adversarial Network și Speech Processing.

Ce veți învăța

⬤  Aflați cum să valorificați GPU pentru Deep Learning.

⬤  Învățați cum să utilizați modele complexe de încorporare, cum ar fi BERT.

⬤  Familiarizați-vă cu aplicațiile NLP comune.

⬤  Învățați cum să utilizați GAN în NLP.

⬤  Învățați cum să procesați datele de vorbire și să le implementați în aplicații de vorbire.

Cui se adresează această carte

Această carte este o lectură obligatorie pentru toți cei care doresc să înceapă cariera cu Machine learning și Deep Learning. Această carte este, de asemenea, pentru cei care doresc să utilizeze GPU pentru dezvoltarea de aplicații Deep Learning.

Tabla de conținut

1. Înțelegerea noțiunilor de bază ale procesului de învățare.

2. Tehnici de prelucrare a textului.

3. Reprezentarea matematică a limbajului.

4. Utilizarea RNN pentru NLP.

5. Aplicarea CNN în sarcinile NLP.

6. Accelerarea NLP cu Embeddings avansate.

7. Aplicarea învățării profunde în sarcinile NLP.

8. Aplicarea arhitecturilor complexe în NLP.

9. Înțelegerea rețelelor generative.

10. Tehnici de procesare a vorbirii.

11. Calea de urmat.

Despre autori

Sunil Patel și-a finalizat masteratul în tehnologia informației la Indian Institute of Information technology-Allahabad, cu o teză axată pe investigarea interacțiunilor proteină-proteină 3D cu ajutorul învățării profunde. Sunil a lucrat cu TCS Innovation Labs, Excelra și Innoplexus înainte de a se alătura Nvidia. Principalele domenii de cercetare au fost utilizarea învățării profunde, prelucrarea limbajului natural în domeniul bancar și al sănătății.

Sunil a început să experimenteze cu învățarea profundă prin implantarea stratului de bază utilizat în conducte și apoi prin dezvoltarea de conducte complexe pentru o problemă reală. În afară de aceasta, Sunil a participat, de asemenea, la CASP-2014 în colaborare cu SCFBIO-IIT Delhi pentru a prezice în mod eficient posibila formare a multimerului proteic și impactul acestuia asupra bolilor utilizând Deep Learning. În prezent, Sunil lucrează la Nvidia ca cercetător în domeniul datelor - III.

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