در حال حاضر محصولی در سبد خرید شما وجود ندارد.
ترانسفورماتورها با طوفان جهان پردازش زبان طبیعی (NLP) را در دست می گیرند. در این دوره ، مربی جاناتان فرناندز همه چیز را در مورد این معماری برای NLP و کارهای بینایی رایانه و مهارت باید در ابزار هوش مصنوعی خود به شما آموزش دهد. جاناتان از یک رویکرد دستی استفاده می کند تا اصول کار با ترانسفورماتورها را در NLP و تولید به شما نشان دهد. او از اندازه مدل برت ، تعصب در برت ، و نحوه آموزش برت می رود. جاناتان به بررسی یادگیری انتقال می پردازد ، به شما نشان می دهد که چگونه از مدل BERT و نشانه گذاری استفاده کنید و طبقه بندی متن را پوشش می دهد. او پس از توضیح کامل معماری مدل ترانسفورماتور ، او با برخی از تمرینات اضافی به پایان رسید.
عنوان اصلی : Transformers: Text Classification for NLP Using BERT
سرفصل های دوره :
مقدمه:
پردازش زبان طبیعی با ترانسفورماتورها
نحوه استفاده از پرونده های ورزشی
1. NLP و ترانسفورماتور:
نحوه استفاده از ترانسفورماتورها در NLP
ترانسفورماتورها در تولید
تاریخ ترانسفورماتور
چالش: اندازه مدل برت
راه حل: اندازه مدل برت
2. BERT و انتقال یادگیری:
تعصب در برت
چگونه برت آموزش دید؟
یادگیری انتقال
3. معماری ترانسفورماتور و برت:
ترانسفورماتور: نمای کلی معماری
مدل BERT و نشانه گذاری
رمزگذاری های موقعیتی و تعبیه های بخش
نشانه ها
خودآگاهی
شبکه توجه چند سر و شبکه تغذیه
4. طبقه بندی متن:
طبقه بندی BERT و متن
کتابخانه مجموعه داده ها
نمای کلی از مجموعه داده IMDB
با استفاده از یک توکینر
IMDB کوچک
یک اجرای تمرین
نتیجه گیری:
تمرین های اضافی
Transformers: Text Classification for NLP Using BERT
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
ترانسفورماتورها: طبقه بندی متن برای NLP با استفاده از BERT
آموزش کامل Google Cloud Vision API by Example
Tensorflow: کار با NLP
آموزش استفاده از Docker در پروژه های Data Science
آموزش انجام پروژه های Deep Learning بوسیله PyTorch
آموزش مبتنی بر مثال یادگیری ماشینی در AWS
Apache Spark Deep Learning Essential Training
GPT-4 Turbo: The New GPT Model and What You Need to Know
8 چیزی که باید در Python بدانید
Level Up: Advanced Python