Séance de cours
Réseaux neuronaux pour la PNL
Séances de cours associées (124)
Deep Learning: Représentations de données et réseaux neuraux
Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.
Comprendre l'apprentissage automatique : des modèles parfaitement solubles
Explore la mécanique statistique de l'apprentissage, en mettant l'accent sur les mystères des réseaux neuronaux et les défis informatiques.
Modèles de génération profonde: Partie 2
Explore les modèles générateurs profonds, y compris les mélanges de multinômes, PCA, autoencodeurs profonds, autoencodeurs convolutionnels, et GANs.
Représentations neuro-symboliques: Connaissances communes et Raisonnement
Explore les représentations neuro-symboliques pour comprendre les connaissances et le raisonnement communs, en mettant l'accent sur les défis et les limites de l'apprentissage profond dans le traitement du langage naturel.
Réseaux de mémoire à court terme
Introduit les réseaux de mémoire à long terme (LSTM) comme une solution pour la disparition et l'explosion des gradients dans les réseaux neuronaux récurrents.
Word Embeddings: Présentation et applications
Introduit des intégrations de mots, expliquant comment ils capturent les significations des mots en fonction du contexte et de leurs applications dans les tâches de traitement du langage naturel.
Représentations neuro-symboliques: Connaissances communes et Raisonnement
Déplacez-vous dans des représentations neuro-symboliques pour la connaissance du sens commun et le raisonnement dans les applications de traitement du langage naturel.
Analyse du modèle
Explore l'analyse du modèle neuronal en PNL, couvrant les études d'évaluation, de sondage et d'ablation pour comprendre le comportement et l'interprétabilité du modèle.
Prétraitement PNL: Tokenization, Stop Words, Lemmatization
Couvre la tokenisation, la suppression des mots d'arrêt et la lemmatisation pour les tâches PNL.
Résolution de référence
Couvre la résolution de coréférence, les modèles, les applications, les défis et les avancées dans le traitement du langage naturel.