Kembangkan aplikasi NLP Anda dengan bantuan deep learning, NLTK, dan TensorFlow
Fitur Utama
- Menenun jaringan saraf menjadi aplikasi linguistik di berbagai platform
- Lakukan tugas NLP dan latih modelnya menggunakan NLTK dan TensorFlow
- Tingkatkan model NLP Anda dengan arsitektur deep learning yang kuat seperti CNN dan RNN
Kursus ini mengajarkan Anda untuk memanfaatkan model pembelajaran yang mendalam dalam melakukan berbagai tugas NLP bersama dengan menampilkan praktik terbaik dalam menghadapi tantangan NLP. Kursus ini membekali Anda dengan pengetahuan praktis untuk mengimplementasikan deep learning dalam aplikasi linguistik Anda menggunakan NLTk dan library deep learning populer Python, TensorFlow.
Kurikulum Kursus :
1. Mulai
Pemrosesan bahasa alami (NLP) adalah bidang pemahaman bahasa manusia dengan menggunakan komputer. Ini melibatkan analisis dan volume besar data bahasa alami menggunakan komputer untuk mendapatkan makna dan nilai konsumsi dalam aplikasi dunia nyata.
2. Klasifikasi Teks dan Penandaan POS Menggunakan NLTK
Natural Language Toolkit (NLTK) adalah pustaka Python untuk menangani tugas pemrosesan bahasa alami (NLP), mulai dari membagi kata atau kalimat hingga melakukan tugas tingkat lanjut, seperti mengurai tata bahasa dan mengklasifikasikan teks.
3. Deep Learning dan TensorFlow
Aplikasi yang memanfaatkan pemrosesan bahasa alami (NLP) telah mulai mendekati akurasi tingkat manusia dalam tugas-tugas seperti terjemahan bahasa, ringkasan teks, dan teks-ke-ucapan, karena adopsi model pembelajaran yang mendalam.
4. Penyematan Semantik Menggunakan Model
Dalam kursus ini, kita akan membahas motivasi untuk memahami hubungan semantik antar kata, dan kita akan membahas pendekatan untuk mengidentifikasi hubungan tersebut. Dalam prosesnya, kita akan mendapatkan representasi vektor untuk kata-kata, yang memungkinkan kita membuat representasi vektor pada dokumen.
5. Klasifikasi Teks Menggunakan LSTM
Klasifikasi teks adalah tugas untuk menandai teks bahasa alami atau teks tidak terstruktur ke salah satu kategori dari himpunan yang telah ditentukan sebelumnya. Mengidentifikasi sentimen positif-negatif dalam ulasan produk, mengkategorikan artikel berita, dan menyegmentasikan pelanggan berdasarkan percakapan mereka tentang produk.
6. Pencarian dan DeDuplikasi Menggunakan CNN
Jaringan neural dalam telah terbukti berfungsi dengan sangat baik saat disediakan dengan sejumlah besar titik data. Namun, kurangnya data untuk membangun mesin telusur yang besar telah menjadi masalah utama bagi sebagian besar mesin. Pendekatan tradisional untuk mencari dalam data teks melibatkan pemahaman domain.
7. Pengenalan Entitas Bernama Menggunakan LSTM Karakter
Manusia, ketika diberi tugas berulang, cenderung melakukan kesalahan, karena memori otot dan hilangnya konsentrasi. Hilangnya konsentrasi sering dikenal dengan istilah kelelahan otak, dimana otak cenderung beroperasi dalam keadaan autopilot, tanpa perlu memikirkan tindakan dan reaksi.
8. Pembuatan Teks dan Peringkasan Menggunakan GRU
Dalam bab ini, kami akan menjelaskan metode untuk menghasilkan dan meringkas teks menggunakan teknik pembelajaran mendalam. Pembuatan teks adalah proses menghasilkan teks secara otomatis, berdasarkan konteks dan ruang lingkup, dengan menggunakan teks sumber masukan. Beberapa aplikasi yang melibatkan pembuatan teks.
9. Menjawab Pertanyaan dan Chatbots Menggunakan Jaringan Memori
Tugas pemahaman bahasa alami (NLU) dapat dianggap sebagai istilah umum yang mencakup area penelitian yang melibatkan penalaran teks dalam cara sintaksis dan semantik, seperti peringkasan teks, terjemahan mesin, dan pemodelan percakapan (yaitu, chatbots).
10. Terjemahan Mesin Menggunakan Model Berbasis Perhatian
Dalam kursus
11. Pengenalan Ucapan Menggunakan DeepSpeech
Pengenalan ucapan adalah tugas di mana mesin atau komputer mengubah bahasa lisan menjadi teks. Contoh yang baik adalah fitur pengetikan suara di Google Docs yang mengubah ucapan menjadi teks saat Anda berbicara. Dalam kursus ini, kita akan melihat bagaimana membangun sistem seperti itu menggunakan model pembelajaran yang mendalam ini, kita akan melihat arsitektur sistem ini dan cara membuatnya. Sementara fokus kursus ini adalah pada terjemahan mesin saraf (NMT), kita akan melihat secara singkat pendekatan tradisional untuk memahami tantangan dalam terjemahan mesin.
12. Text-to-Speech Menggunakan Tacotron
Text-to-speech (TTS) adalah tindakan mengubah teks menjadi ucapan yang dapat dipahami dan alami. Sebelum kita mempelajari pendekatan pembelajaran yang mendalam untuk menangani TTS, kita harus bertanya pada diri kita sendiri pertanyaan-pertanyaan berikut: untuk apa sistem TTS? Dan mengapa kita membutuhkannya sejak awal?
13. Menerapkan Model yang Terlatih
Dalam bab ini, Anda akan mempelajari cara menerapkan model pembelajaran mendalam yang terlatih ke lingkungan produksi di berbagai platform, seperti cloud dan seluler. Untuk penerapan cloud, latensi dan throughput penting. Latensi harus minimal, dan throughput harus tinggi.
