|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/natural-language-processing-in-python-korean/
课程评论：没有评论
课程名称：【AI 자막】机器学习：在Python中掌握自然语言处理！(V2) 课程概述： 欢迎参与本课程！这是一门内容丰富的4合1课程，涵盖以下主题： 1) 向量模型与文本预处理方法 2) 概率模型与马尔可夫模型 3) 机器学习方法 4) 深度学习与神经网络方法 在第一部分中，了解向量在数据科学与人工智能中的重要性，学习将文本转换为向量的多种技术，如CountVectorizer和TF-IDF，以及word2vec和GloVe等神经嵌入方法。此外，还将应用所学知识进行文本分类、文档搜索和摘要等任务，掌握关键的文本预处理步骤，如分词和词干提取。 第二部分探讨概率模型及马尔可夫模型，这是数据科学与机器学习中最重要的模型之一，广泛应用于很多领域。课程将介绍如何建立文本分类器、进行文章改写和文本生成等，并解释这些方法如何为理解如BERT和GPT-3的最新Transformer模型奠定基础。 第三部分专注于机器学习方法，涵盖垃圾邮件检测、情感分析、潜在语义分析和主题建模等经典NLP任务，强调如何将多种机器学习算法应用于这些任务，使用如朴素贝叶斯、逻辑回归等算法。 第四部分介绍深度学习方法，学习适用于NLP任务的最先进神经网络架构，了解前馈人工神经网络、卷积神经网络和循环神经网络等，重点研究LSTM和GRU等用于语言翻译和语音识别的现代架构。 本课程的优势总结： - 每一行代码都有详细说明，任何疑问欢迎随时发送邮件。 - 不再浪费时间“输入”代码，课程将快速带你进入实战。 - 对于大学水平的数学不再感到恐惧，获取其他课程未覆盖的重要算法细节。 感谢您阅读这些信息，期待在课程中见到您！
[꼭 읽어주세요] 한글 AI 자막 강의란?유데미의 한국어 [자동] AI 자막 서비스로 제공되는 강의입니다.강의에 대한 질문사항은 Lazy Programmer 강사님이 확인하실 수 있도록 Q & A 게시판에 영어로 남겨주시기 바랍니다.OpenAI ChatGPT, GPT-4, DALL-E, 미드저니, 스테이블 디퓨전과 같은 AI 기술이 실제로 어떻게 작동하는지 궁금한 적이 있나요? 이 과정에서는 이러한 획기적인 애플리케이션의 기초를 배우게 됩니다.안녕하세요!【AI 자막】 머신 러닝: Python에서의 자연어 처리 마스터하기! (V2) 강의에 오신 것을 환영합니다.이 강의는 다음 내용을 다루는 방대한 4-in-1 과정입니다:1) 벡터 모델과 텍스트 전처리 방법2) 확률 모델과 Markov 모델3) 머신 러닝 메소드4) 딥러닝 및 신경망 메소드벡터 모델과 텍스트 전처리 방법을 다루는 1부에서는 데이터 과학과 인공 지능에서 벡터가 왜 필수적인지 알아봅니다. CountVectorizer 와 TF-IDF 등 텍스트를 벡터로 변환하는 다양한 기법에 대해 알아보고, word2vec 와 GloVe 같은 신경 임베딩 방법의 기초를 배우게 됩니다.그런 다음 배운 내용을 다음과 같은 다양한 작업에 적용하게 됩니다:텍스트 분류문서 검색/검색 엔진텍스트 요약이 과정에서 토큰화, 어간 추출, 표제어 추출과 같은 중요한 텍스트 전처리 단계도 배우게 됩니다.품사 태깅 과 같은 고전적인 NLP 작업도 간략하게 소개합니다.확률 모델과 Markov 모델을 다루는 2부에서는 지난 100년 동안 데이터 과학과 머신 러닝에서 가장 중요한 모델 중 하나인 확률 모델에 대해 알아봅니다. 이 모델은 NLP 외에도 금융, 생물 정보학, 강화 학습 등 다양한 분야에 적용되고 있습니다.이 강의에서는 이러한 확률 모델의 다양한 활용법을 살펴봅니다:텍스트 분류기 구축하기아티클 스피닝텍스트 생성(시 생성)중요한 것은 이러한 방법들이 BERT와 GPT-3 같은 최신 Transformer모델의 작동 방식을 이해하기 위한 필수 전제 조건이라는 점입니다. 특히, BERT 및 GPT의 사전 교육 목표에 해당하는 두 가지 중요한 작업에 대해 알아볼 것입니다.머신 러닝 방법을 다루는 3부에서는 다음과 같은 고전적인 NLP 작업에 대해 자세히 알아보세요:스팸 탐지감정 분석잠재 시맨틱 분석(혹은 잠재 시맨틱 인덱싱)토픽 모델링이 섹션에서는 이론 중심이 아닌 애플리케이션 중심으로 진행되므로, 다양한 머신러닝 알고리즘의 세부 사항을 배우는 데 대부분의 시간을 할애하는 대신 위의 작업에 어떻게 적용할 수 있는지에 초점을 맞출 것입니다.물론 무슨 일이 일어나고 있는지 이해하기 위해서는 해당 알고리즘에 대한 학습이 필요합니다. 다음 알고리즘이 사용됩니다:나이브 베이즈로지스틱 회귀 주성분 분석 (PCA) / 특이값 분해 (SVD)잠재 디리클레 할당 (LDA)이러한 알고리즘은 머신러닝/인공지능의 지엽적인 알고리즘이 아닌, NLP의 기본이 되는 알고리즘이므로 모든 NLP 과정의 필수적인 부분입니다.딥러닝 방법을 다루는 4부에서는 NLP 작업을 해결하는 데 적용할 수 있는 최신 신경망 아키텍처에 대해 알아봅니다. 뛰어난 성능과 유연성 덕분에 신경망은 앞서 언급한 모든 작업을 해결하는 데 사용할 수 있습니다.다음에 대해 배우게 됩니다:피드포워드 인공 신경망 (ANNs)임베딩컨볼루션 신경망 (CNNs)순환 신경망 (RNNs)RNN에 대한 연구에는 언어 번역, 음성 인식 및 텍스트 음성 변환과 같은 어려운 작업에 Google, Amazon, Apple, Facebook 등에서 널리 사용되고 있는 LSTM 및 GRU와 같은 최신 아키텍처가 포함됩니다.물론 BERT와 GPT-3 같은 최신 Transformer 는 심층 신경망의 예이므로 이 과정은 Transformer 를 이해하기 위한 필수 전제 조건입니다.이 강의의 장점 3줄 요약:모든 코드 라인에 대한 자세한 설명 - 동의하지 않는 부분이 있으면 언제든지 이메일을 보내주세요.다른 강의처럼 키보드에 "타이핑"하느라 시간 낭비 없음 - 솔직히 말해서 처음부터 단 20분 만에 배울 만한 코드를 작성할 수 있는 사람은 아무도 없습니다.대학 수준의 수학이 두렵지 않음 - 다른 강의에서 다루지 않는 알고리즘에 대한 중요한 세부 정보를 얻을 수 있습니다.읽어주셔서 감사드리며 강의에서 뵙기를 바랍니다!
