Erste Schritte mit Deep Learning für die Verarbeitung natürlicher Sprache: Lernen Sie, wie man NLP-Anwendungen mit Deep Learning erstellt

Bewertung: ⭐⭐⭐⭐⭐  (4,1 von 5)

Leserbewertungen

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 16 Stimmen.

Originaltitel:

Getting started with Deep Learning for Natural Language Processing: Learn how to build NLP applications with Deep Learning

Inhalt des Buches:

Erfahren Sie, wie Sie NLP-Anwendungen von Grund auf neu gestalten können.

Hauptmerkmale

⬤  Machen Sie sich mit den Grundlagen jeder Machine Learning oder Deep Learning Anwendung vertraut.

⬤  Verstehen Sie, wie das Preprocessing in der NLP-Pipeline funktioniert.

⬤  Verwenden Sie einfache PyTorch-Snippets, um die grundlegenden Bausteine des Netzwerks zu erstellen, die häufig in NLP verwendet werden.

⬤  Machen Sie sich mit der fortgeschrittenen Einbettungstechnik, dem generativen Netzwerk und den Techniken der Audiosignalverarbeitung vertraut.

Beschreibung

Die Verarbeitung natürlicher Sprache (NLP) ist einer der Bereiche, in denen viele Techniken des maschinellen Lernens und des Deep Learning angewendet werden.

Dieses Buch deckt weite Bereiche ab, darunter die Grundlagen des maschinellen Lernens, das Verständnis und die Optimierung von Hyperparametern, neuronale Faltungsnetze (CNN) und rekurrente neuronale Netze (RNN). Dieses Buch deckt nicht nur das klassische Konzept der Textverarbeitung ab, sondern vermittelt auch die jüngsten Fortschritte. Dieses Buch unterstützt den Benutzer bei der Entwicklung von Netzwerken mit geringstem Rechenaufwand und Zeit. Dieses Buch deckt nicht nur die Grundlagen der natürlichen Sprachverarbeitung ab, sondern hilft auch bei der Entschlüsselung der Logik hinter fortgeschrittenen Konzepten/Architekturen wie Batch Normalization, Position Embedding, DenseNet, Attention Mechanism, Highway Networks, Transformer Models und Siamese Networks. Dieses Buch behandelt auch die neuesten Entwicklungen wie ELMo-BiLM, SkipThought und Bert. Dieses Buch deckt auch die praktische Umsetzung mit schrittweisen Erklärungen von Deep-Learning-Techniken in den Bereichen Themenmodellierung, Texterzeugung, Erkennung von benannten Entitäten, Textzusammenfassung und Sprachübersetzung ab. Darüber hinaus werden auch sehr fortgeschrittene und für die Forschung offene Themen wie Generative Adversarial Network und Sprachverarbeitung behandelt.

Was Sie lernen werden

⬤  Lernen Sie, wie Sie GPU für Deep Learning nutzen können.

⬤  Lernen Sie, wie man komplexe Einbettungsmodelle wie BERT verwendet.

⬤  Machen Sie sich mit den gängigen NLP-Anwendungen vertraut.

⬤  Lernen Sie, wie man GANs im NLP einsetzt.

⬤  Lernen Sie, wie man Sprachdaten verarbeitet und sie in Sprachanwendungen implementiert.

Für wen ist dieses Buch gedacht?

Dieses Buch ist ein Muss für jeden, der seine Karriere mit Machine Learning und Deep Learning beginnen möchte. Dieses Buch ist auch für diejenigen, die GPU für die Entwicklung von Deep Learning-Anwendungen verwenden möchten.

Inhaltsverzeichnis

1. Verstehen der Grundlagen des Lernprozesses.

2. Textverarbeitungstechniken.

3. Mathematische Darstellung von Sprache.

4. Verwendung von RNN für NLP.

5. Die Anwendung von CNN in NLP-Aufgaben.

6. NLP mit erweiterten Einbettungen beschleunigen.

7. Anwendung von Deep Learning auf NLP-Aufgaben.

8. Anwendung komplexer Architekturen im NLP.

9. Das Verständnis generativer Netzwerke.

10. Techniken der Sprachverarbeitung.

11. Der Weg in die Zukunft.

Über die Autoren

Sunil Patel hat seinen Master in Informationstechnologie am Indian Institute of Information Technology-Allahabad mit einer Arbeit abgeschlossen, die sich auf die Untersuchung von 3D-Protein-Protein-Interaktionen mit Deep Learning konzentrierte. Sunil arbeitete bei TCS Innovation Labs, Excelra und Innoplexus, bevor er zu Nvidia kam. Die Hauptforschungsbereiche waren Deep Learning, natürliche Sprachverarbeitung im Bankwesen und im Gesundheitswesen.

Sunil begann mit Deep Learning zu experimentieren, indem er die in Pipelines verwendete Grundschicht implantierte und dann komplexe Pipelines für ein reales Problem entwickelte. Darüber hinaus hat Sunil in Zusammenarbeit mit dem SCFBIO-IIT Delhi am CASP-2014 teilgenommen, um mithilfe von Deep Learning die Bildung von Protein-Multimeren und deren Auswirkungen auf Krankheiten effizient vorherzusagen. Derzeit arbeitet Sunil bei Nvidia als Data Scientist - III.

LinkedIn Profil https: //www.linkedin.com/in/linus1/.

Weitere Daten des Buches:

• ISBN: 9789389898118
• Autor: Sunil Patel
• Verlag: Bpb Pubn
• Einband: Taschenbuch