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

Introduction et découverte des réseaux de neurones récurrents

Chapitre 2 · Concevoir des modèles de langage avec les réseaux de neurones récurrents et Keras · leçon 2 sur 56
Réservée aux abonnés — voici son début
Ce cours présente quatre applications des modèles de langage basés sur les réseaux de neurones récurrents en Python. Des textes disponibles en ligne Pourquoi apprendre à modéliser le langage, c’est-à-dire des données textuelles ? Les modèles de Data Science ont besoin de données pour être efficaces. Or, le texte constitue un type de données largement disponible sur Internet. Des articles de presse aux publications sur les réseaux sociaux, le volume de données textuelles augmente rapidement et reste accessible à toute personne disposant d’une connexion Internet. Applications du Machine Learning aux textes Que peut-on faire avec toutes ces données textuelles ? Ce cours présente quatre applicat
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 récurrentsvous êtes ici
  • 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 séquenceabonnés
  • 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

Comparer la complexité des RNN et des réseaux de neurones classiques

Voir le programme Créer un compte pour continuer