[Udemy]Машинное обучение с Python + Big Data - (Курс 12 из 17)
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Формат: транскрибация видео
Продолжительность: ~ 05:04
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 45 видео лекции
Готовность: 01.05.19
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
Спойлер
– понимать и применять word2vec;
– понимать метод CBOW в word2vec;
– понимать метод skip-gram в word2vec;
– понимать отрицательную оптимизацию выборки в word2vec;
– понимать и применять метод глобальных векторов (GloVe) с использованием градиентного спуска и чередующихся наименьших квадратов;
– использовать рекуррентные нейронные сети для разметки по частям речи;
– использовать рекуррентные нейронные сети для распознавания именованных сущностей;
– понимать и применять рекурсивные нейронные сети для анализа тональности текста;
– понимать и применять рекурсивные нейронные тензорные сети для анализа тональности текста.
ТРЕБОВАНИЯ
Спойлер
– установить библиотеки Numpy, Matplotlib, Sci-Kit Learn, Theano и TensorFlow (теперь это должно быть очень просто);
– понимать метод обратного распространения ошибки и градиентный спуск, уметь самостоятельно находить производные и записывать уравнения в коде;
– уметь написать код рекуррентной нейронной сети с использованием основных инструментов Theano (или TensorFlow), особенно функции scan;
– уметь написать код нейронной сети прямого распространения с помощью Theano (или TensorFlow);
– полезным будет также опыт в составлении древовидных алгоритмов.
ОПИСАНИЕ
Спойлер
В этом курсе мы углублённо рассмотрим обработку естественных языков (NLP).
Ранее вы познакомились с некоторыми основами, например, что многие проблемы NLP являются лишь обычными задачами машинного обучения и обработки данных, а также с простейшими практическими методами, такими как «мешок слов» и матрицы терм-документ.
Это позволило нам делать некоторые довольно интересные штуки вроде детектора спама, написания стихов, синонимайзера текстов и группирования похожих слов.
В этом курсе я покажу вам, как делать ещё более потрясающие вещи. В курсе мы изучим даже не одну, а целых четыре новых метода.
Первое – это word2vec.
В курсе я покажу, как именно работает word2vec, от теории до практики, и вы увидите, что это в большой степени является применением уже полученных вами ранее навыков.
Word2vec интересен тем, что волшебным образом преобразует слова в векторное пространство, в котором можно найти аналогии, например:
король – мужчина = королева – женщина
Франция – Париж = Англия – Лондон
декабрь – ноябрь = июль – июнь
Мы также рассмотрим метод GLoVe, который тоже находит слова-векторы, но использует методику, называемую матричной факторизацией, являющейся популярным алгоритмом для систем рекомендаций.
Удивительно, но слова-вектора, созданные GLoVe, так же хороши, как и те, которые создаются при помощи word2vec, но при этом методе проще идёт процесс обучения.
Мы также рассмотрим некоторые классические задачи NLP, такие как разметка по частям речи и распознавание именованных сущностей, и используем рекуррентные нейронные сети для их решения. Вы увидите, что практически любая задача может быть успешно решена при помощи нейронных сетей, но при этом вы узнаете и об опасности излишней усложнённости.
И напоследок вы узнаете о рекурсивных нейронных сетях, которые, наконец, помогут нам решить задачу отрицания в анализе тональности текста. Рекурсивные нейронные сети используют то обстоятельство, что предложения имеют древовидную структуру, и мы наконец-то можем отказаться от упрощённого использования «мешка слов».
Все материалы, необходимые для этого курса, могут быть загружены и установлены БЕСПЛАТНО. Основную часть работы мы проделаем в Numpy, Matplotlib и Theano. Я всегда готов ответить на ваши вопросы и помочь в путешествии по науке об обработке данных.
Этот курс сконцентрирован на том, «как создавать и понимать», а не просто «как использовать». Любой может овладеть пользовательским интерфейсом за 15 минут после прочтения соответствующей документации. Речь идёт не о «запоминании фактов», а о «саморазвитии» посредством набора опыта. Курс научит вас, как наглядно видеть, что происходит внутри модели. Если хотите большего, чем просто поверхностного взгляда на модели машинного обучения, - этот курс для вас.
До встречи на занятиях!
Скрытое содержимое.
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Обработка естественного языка с помощью глубокого обучения на языке Python
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 05:04
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 45 видео лекции
Готовность: 01.05.19
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
- (Курс 1 из 17)
- (Курс 2 из 17)
- (Курс 3 из 17)
- (Курс 4 из 17)
- (Курс 5 из 17)
- (Курс 6 из 17)
- (Курс 7 из 17)
- (Курс 8 из 17)
- (Курс 9 из 17)
- (Курс 10 из 17)
- (Курс 11 из 17)
Спойлер
– понимать и применять word2vec;
– понимать метод CBOW в word2vec;
– понимать метод skip-gram в word2vec;
– понимать отрицательную оптимизацию выборки в word2vec;
– понимать и применять метод глобальных векторов (GloVe) с использованием градиентного спуска и чередующихся наименьших квадратов;
– использовать рекуррентные нейронные сети для разметки по частям речи;
– использовать рекуррентные нейронные сети для распознавания именованных сущностей;
– понимать и применять рекурсивные нейронные сети для анализа тональности текста;
– понимать и применять рекурсивные нейронные тензорные сети для анализа тональности текста.
ТРЕБОВАНИЯ
Спойлер
– установить библиотеки Numpy, Matplotlib, Sci-Kit Learn, Theano и TensorFlow (теперь это должно быть очень просто);
– понимать метод обратного распространения ошибки и градиентный спуск, уметь самостоятельно находить производные и записывать уравнения в коде;
– уметь написать код рекуррентной нейронной сети с использованием основных инструментов Theano (или TensorFlow), особенно функции scan;
– уметь написать код нейронной сети прямого распространения с помощью Theano (или TensorFlow);
– полезным будет также опыт в составлении древовидных алгоритмов.
ОПИСАНИЕ
Спойлер
В этом курсе мы углублённо рассмотрим обработку естественных языков (NLP).
Ранее вы познакомились с некоторыми основами, например, что многие проблемы NLP являются лишь обычными задачами машинного обучения и обработки данных, а также с простейшими практическими методами, такими как «мешок слов» и матрицы терм-документ.
Это позволило нам делать некоторые довольно интересные штуки вроде детектора спама, написания стихов, синонимайзера текстов и группирования похожих слов.
В этом курсе я покажу вам, как делать ещё более потрясающие вещи. В курсе мы изучим даже не одну, а целых четыре новых метода.
Первое – это word2vec.
В курсе я покажу, как именно работает word2vec, от теории до практики, и вы увидите, что это в большой степени является применением уже полученных вами ранее навыков.
Word2vec интересен тем, что волшебным образом преобразует слова в векторное пространство, в котором можно найти аналогии, например:
король – мужчина = королева – женщина
Франция – Париж = Англия – Лондон
декабрь – ноябрь = июль – июнь
Мы также рассмотрим метод GLoVe, который тоже находит слова-векторы, но использует методику, называемую матричной факторизацией, являющейся популярным алгоритмом для систем рекомендаций.
Удивительно, но слова-вектора, созданные GLoVe, так же хороши, как и те, которые создаются при помощи word2vec, но при этом методе проще идёт процесс обучения.
Мы также рассмотрим некоторые классические задачи NLP, такие как разметка по частям речи и распознавание именованных сущностей, и используем рекуррентные нейронные сети для их решения. Вы увидите, что практически любая задача может быть успешно решена при помощи нейронных сетей, но при этом вы узнаете и об опасности излишней усложнённости.
И напоследок вы узнаете о рекурсивных нейронных сетях, которые, наконец, помогут нам решить задачу отрицания в анализе тональности текста. Рекурсивные нейронные сети используют то обстоятельство, что предложения имеют древовидную структуру, и мы наконец-то можем отказаться от упрощённого использования «мешка слов».
Все материалы, необходимые для этого курса, могут быть загружены и установлены БЕСПЛАТНО. Основную часть работы мы проделаем в Numpy, Matplotlib и Theano. Я всегда готов ответить на ваши вопросы и помочь в путешествии по науке об обработке данных.
Этот курс сконцентрирован на том, «как создавать и понимать», а не просто «как использовать». Любой может овладеть пользовательским интерфейсом за 15 минут после прочтения соответствующей документации. Речь идёт не о «запоминании фактов», а о «саморазвитии» посредством набора опыта. Курс научит вас, как наглядно видеть, что происходит внутри модели. Если хотите большего, чем просто поверхностного взгляда на модели машинного обучения, - этот курс для вас.
До встречи на занятиях!
Скрытое содержимое.