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

Préparer les données textuelles avec Keras

Chapitre 2 · Concevoir des modèles de langage avec les réseaux de neurones récurrents et Keras · leçon 12 sur 56
Reserved for subscribers — here is the beginning
The rest of this lesson is reserved for subscribers Create your free account to try the sample exercises, then upgrade to full access whenever you like.

Create your free account

No credit card required, in thirty seconds.
Continue with Google
or
Sign up with an e-mail
Already registered? Log in
By continuing, you agree to the terms of use and the privacy policy. Your data is hosted in the European Union.

Full access DATAGOZ

19 €/ month — or 190 € / year
  • All published courses and career paths
  • Exercises and quizzes with automatic grading
  • Practice, exam and certificate of completion
  • No commitment, cancel online
See the plans
This lesson is part of the course

Modeling Language with Recurrent Neural Networks (RNN) in Keras

short_training6 chapitres · 56 leçons
  • The training platformsubscribers
  • 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 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 Kerasvous êtes ici
  • 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
  • Course conclusionsubscribers
Next lesson

Construire votre premier modèle RNN

View the programme Create an account to continue