|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/nlp-sequence-models-ru
课程评论：没有评论
课程名称： последовательные модели 课程概述： 本课程将教您构建自然语言、声音及其他序列数据的模型。随着深度学习的发展，序列算法的性能在过去两年中有了显著提升，为语音识别、音乐合成、聊天机器人、机器翻译和自然语言理解等领域开辟了广泛的应用可能性。 您将学习： - 构建和训练递归神经网络（RNN），以及广泛应用的门控递归单元（GRU）和长短期记忆网络（LSTM）； - 在自然语言处理任务中应用序列模型，包括文本合成； - 将序列模型应用于声音信息，例如语音识别或音乐合成。 这是“深度学习”专项课程的第五个也是最后一个课程。 在本课程中包含的深度学习机器翻译编程任务由deeplearning.ai与深度学习研究所NVIDIA（DLI）合作开发。您将有机会创建现代、符合行业标准的深度学习项目。 课程大纲： 第一部分：递归神经网络 在这一部分中，您将了解递归神经网络（RNN）的工作原理。这类网络在处理时间序列数据时表现优异，有多种变体，如LSTM、GRU和双向RNN，您将在本部分中学习这些内容。 第二部分：自然语言处理与词向量表示 自然语言处理与深度学习的结合至关重要。通过使用词的向量表示和嵌入层，您可以训练递归神经网络，在各个领域取得卓越的性能。应用示例包括文本情感分析、命名实体识别和机器翻译。 第三部分：序列模型与注意力机制 序列模型可以通过注意力机制进行增强。借助该算法，您的模型能够理解在输入数据序列中应集中注意力的部分。本周还将学习语音识别和音频数据处理。
Part: 1
Title:Рекуррентные нейронные сети
Description:В этом разделе вы познакомитесь с принципами работы рекуррентных нейронных сетей (РНС, RNN). Этот тип сетей показывает прекрасную работу с темпоральными данными и существует в нескольких вариантах, таких как LSTM (ДКП), GRU (УРБ), и двунаправленная РНС (Bidirectional RNN), о которых вы узнаете в этом разделе.
Part: 2
Title:Обработка естественного языка и векторное представление слов
Description:Сочетание обработки естественного языка и глубокого обучения — очень важное сочетание. Используя векторное представление слов и слои встраивания, вы сможете обучать рекуррентные нейронные сети, добиваясь выдающейся производительности в широком спектре областей. Примеры применения: анализ тональности текста, распознавание именованных сущностей и машинный перевод.
Part: 3
Title:Последовательные модели и механизм внимания
Description:Последовательные модели могут быть дополнены с использованием механизма внимания. С помощью этого алгоритма ваша модель сможет понять, на чем следует сосредоточить внимание, с учетом последовательности входных данных. На этой неделе вы также узнаете о распознавании речи и работе с аудиоданными.
Данный курс научит вас строить модели естественных языков, звуков и других последовательных данных. Благодаря глубокому обучению последовательные алгоритмы сегодня работают в разы лучше, чем ещё два года назад. Это открывает широчайший спектр возможностей применения алгоритмов в распознавании речи, синтезе музыки, чат-ботах, машинном переводе, понимании естественных языков и во многом другом. Вы научитесь: — строить и обучать рекуррентные нейронные сети (РНС, RNN), а также широко используемые управляемые рекуррентные блоки (УРБ, GRU) и долгую краткосрочную память (ДКП, LSTM); — применять последовательные модели в задачах по обработке естественного языка, включая синтез текста; — применять модели последовательностей к звуковой информации, например для распознавания речи или синтеза музыки. Это пятый и заключительный курс специализации «Глубокое обучение». Задача по программированию машинного перевода с глубоким обучением, содержащаяся в этом курсе, разработана deeplearning.ai совместно с партнером — Институтом глубокого обучения NVIDIA (DLI). У вас будет возможность создать проект по глубокому обучению с современным, актуальным для индустрии содержанием.
