Entdecken Sie die Grundlagen und fortgeschrittenen Anwendungen der natürlichen Sprachverarbeitung mit Deep Learning. Der Kurs „Natürliche Sprachverarbeitung mit Deep Learning“ führt Sie in moderne Techniken wie Wort-Embeddings, rekurrente neuronale Netze und generative Modelle ein und vermittelt Ihnen praktische Fähigkeiten zur Textklassifizierung und -analyse.
Dieser Kurs richtet sich an Ingenieure des maschinellen Lernens.
In diesem Kurs lernen die Studierenden die gängigsten Architekturen kennen, darunter wiederkehrende natürliche Netzwerke und Hidden-Markov-Modelle.
Um an diesem Kurs teilnehmen zu können, müssen die Studierenden das Modul „Basic Machine Learning in Tensorflow/Keras“ abgeschlossen haben.
Für die Teilnehmer ist es hilfreich, über folgende Kenntnisse zu verfügen:
Grundlegendes Deep Learning
● Neuronen
● Arten von Ebenen
● Netzwerke
● Verlustfunktionen
● Optimierer
● Überanpassung
● Tensorflow
Grundlegende neuronale Sprachverarbeitung
● Tokenisierung
● Beutel voller Wörter
● tf-idf
● Stemming
● Lemmatisierung
● Sprachmodelle
● Stimmungsanalyse
Modul 1: NLP-Anwendungen
Modul 2: Wortvektoren
- Was sind Vektoren?
- Wortanalogien
- TF-IDF und t-SNE
- NLTK
- Handschuh
- Wort2vec
- Textklassifizierung mithilfe von Wortvektoren
Hands-on-Labor: Durchführen einer grundlegenden Textklassifizierung unter Verwendung mehrerer Wortvektormodelle. Verbessern Sie es, indem Sie grundlegende Textverarbeitungs- und Sprachmodelle verwenden, um die Daten für maschinelles Lernen vorzubereiten.
Modul 3: Sprachmodellierung
- Bigramme
- Sprachmodelle
- Bigram-Modell eines neuronalen Netzwerks
Hands-on-Labor: Durchführen einer Textklassifizierung mithilfe neuronaler Netze basierend auf Sprachmodellen. Verstehen Sie die probabilistische Modellierung von Sprachmodellen, wie Sie den Kontext eines Wortes verbessern können, wie Synonyme generiert werden können und wie grundlegende neuronale Netze leistungsstarke Sprachmodelle generieren.
Modul 4: Worteinbettungen
- CBOW
- Skip-Gramm
- Negative Probenahme
Hands-on-Labor: Verstehen Sie fortgeschrittene Techniken zur Sprachmodellierung wie Skip-Gram und Negative Sampling, indem Sie sie implementieren, und lernen Sie, das nächstwahrscheinlichste Wort in einer Konversation vorherzusagen.
Modul 5: NLP-Techniken
- Was ist POS-Tagging?
- POS-Tagging wiederkehrendes neuronales Netzwerk
- POS-Tagging Hidden-Markov-Modell (HMM)
- Anerkennung benannter Entitäten (NER)
- POS vs. NEIN
Hands-on-Labor: Verwenden Sie NLTK und SCIPY, um Ihre Klassifizierung mithilfe von Grammatikregeln und POS zu verbessern, verwenden Sie dann NER, um den wertvollsten Inhalt einer Phrase hervorzuheben, und implementieren Sie anschließend die Zusammenfassung.
Modul 6: Wiederkehrende neuronale Netze
- LSTM
- CRANE
- Textgenerierung
Hands-on-Labor: Implementieren Sie in Keras eine grundlegende RNN-Architektur für die Wortvorhersage unter Verwendung der bereits untersuchten Worteinbettungen. Vergleichen Sie die Leistungen von LSTM mit GRU und BiLSTM.
Modul 7: Generative Neuronale Netze
Hands-on-Labor: Implementieren Sie in Keras Ihr eigenes generatives Modell, das Texte generiert, die denen von Shakespeare ähneln. Lernen Sie, Lernen auf Text zu übertragen.
Verarbeitung natürlicher Sprache mit Deep Learning
