AccueilCoursModéliser le langage avec les réseaux de neurones récurrents (RNN) dans Keras

Découvrir les modèles de séquence à séquence

Chapitre 2 · Concevoir des modèles de langage avec les réseaux de neurones récurrents et Keras · leçon 5 sur 56
Réservée aux abonnés — voici son début
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
Cette leçon fait partie du cours

Modéliser le langage avec les réseaux de neurones récurrents (RNN) dans Keras

short_training6 chapitres · 56 leçons
  • La plateforme de formationabonnés
  • Introduction et découverte des réseaux de neurones récurrentsabonnés
  • Comparer la complexité des RNN et des réseaux de neurones classiquesabonnés
  • Appliquer les RNN à l’analyse de sentimentabonnés
  • Découvrir les modèles de séquence à séquencevous êtes ici
  • Comprendre les principes de la modélisation du langageabonnés
  • Explorer les caractéristiques des données textuellesabonnés
  • Préparer les textes pour leur traitement par un modèleabonnés
  • Adapter de nouveaux textes pour les utiliser avec le modèleabonnés
  • Mettre en place des RNN avec Kerasabonnés
  • Construire des modèles avec Kerasabonnés
  • Préparer les données textuelles avec Kerasabonnés
  • Construire votre premier modèle RNNabonnés
  • Comprendre les phénomènes de disparition et d’explosion du gradientabonnés
  • Identifier les causes des gradients explosifsabonnés
  • Analyser le problème des gradients qui s’annulentabonnés
  • Découvrir les cellules GRU et LSTMabonnés
  • Comparer les cellules GRU aux RNN simplesabonnés
  • Combiner plusieurs couches RNNabonnés
  • Introduire la couche d’embeddingabonnés
  • Comparer les modèles selon leur nombre de paramètresabonnés
  • Exploiter le transfer learningabonnés
  • Améliorer les performances grâce aux embeddingsabonnés
  • Revenir sur la classification des sentimentsabonnés
  • Optimiser la classification des sentimentsabonnés
  • Intégrer une couche CNN aux modèles RNNabonnés
  • Préparer les données pour la classification multi-classeabonnés
  • Encoder les étiquettes sous forme de vecteursabonnés
  • Mettre en place le prétraitement des donnéesabonnés
  • Découvrir l’apprentissage par transfert appliqué aux modèles de langageabonnés
  • Préparer un modèle pour le transfert d’apprentissageabonnés
  • Exploiter Word2Vec pour représenter les motsabonnés
  • Construire des modèles de classification multi-classeabonnés
  • Explorer le jeu de données 20 Newsgroupsabonnés
  • Classer des articles de presse par catégorieabonnés
  • Mesurer les performances du modèleabonnés
  • Analyser l’équilibre entre précision et rappelabonnés
  • Choisir entre précision et rappelabonnés
  • Évaluer un modèle de classification multi-classeabonnés
  • Découvrir les modèles séquence à séquenceabonnés
  • Explorer la génération de texte avec des modèles séquence à séquenceabonnés
  • Découvrir la traduction automatique neuronaleabonnés
  • Mettre en place une fonction de génération de texteabonnés
  • Prédire le caractère suivant dans une séquenceabonnés
  • Générer du texte en tenant compte du contexteabonnés
  • Ajuster les probabilités pour contrôler la générationabonnés
  • Explorer différentes approches de génération de texteabonnés
  • Créer des représentations de phrases et prédire les caractères suivantsabonnés
  • Préparer les données nécessaires à l’entraînementabonnés
  • Construire un modèle de génération de texteabonnés
  • Appliquer la traduction automatique neuronaleabonnés
  • Préparer les séquences de texte en entréeabonnés
  • Préparer les séquences de texte en sortieabonnés
  • Traduire automatiquement du portugais vers l’anglaisabonnés
  • Terminer la mise en pratique des modèles séquence à séquenceabonnés
  • Conclusion de la formationabonnés
Leçon suivante

Comprendre les principes de la modélisation du langage

Voir le programme Créer un compte pour continuer