Modeling Language with Recurrent Neural Networks (RNN) in Keras
6 chapitres · 56 leçons
≈ 14 h
Certificate of completion
Can be funded by your employer, on quote and invoice
Create your free account
13 lessons are open, no credit card required.
Create my account
I already have an account
Your data is hosted in the European Union. Privacy
Description
How the course works
Each lesson is a structured text, illustrated with examples and diagrams, followed by a quiz that is automatically graded. You progress at your own pace, and your notes stay attached to the lesson in which you took them.
Does this format suit you?
Watch the first lesson13 lessons open, no credit card required.
Outline
6 chapitres, 56 leçons
- 2. Introduction et découverte des réseaux de neurones récurrentsopen
- 2. Comparer la complexité des RNN et des réseaux de neurones classiquesopen
- 2. Appliquer les RNN à l’analyse de sentimentopen
- 2. Découvrir les modèles de séquence à séquenceopen
- 2. Comprendre les principes de la modélisation du langageopen
- 2. Explorer les caractéristiques des données textuellesopen
- 2. Préparer les textes pour leur traitement par un modèleopen
- 2. Adapter de nouveaux textes pour les utiliser avec le modèleopen
- 2. Mettre en place des RNN avec Kerasopen
- 2. Construire des modèles avec Kerasopen
- 2. Préparer les données textuelles avec Kerasopen
- 2. Construire votre premier modèle RNNopen
- 3. Comprendre les phénomènes de disparition et d’explosion du gradientsubscribers
- 3. Identifier les causes des gradients explosifssubscribers
- 3. Analyser le problème des gradients qui s’annulentsubscribers
- 3. Découvrir les cellules GRU et LSTMsubscribers
- 3. Comparer les cellules GRU aux RNN simplessubscribers
- 3. Combiner plusieurs couches RNNsubscribers
- 3. Introduire la couche d’embeddingsubscribers
- 3. Comparer les modèles selon leur nombre de paramètressubscribers
- 3. Exploiter le transfer learningsubscribers
- 3. Améliorer les performances grâce aux embeddingssubscribers
- 3. Revenir sur la classification des sentimentssubscribers
- 3. Optimiser la classification des sentimentssubscribers
- 3. Intégrer une couche CNN aux modèles RNNsubscribers
- 4. Préparer les données pour la classification multi-classesubscribers
- 4. Encoder les étiquettes sous forme de vecteurssubscribers
- 4. Mettre en place le prétraitement des donnéessubscribers
- 4. Découvrir l’apprentissage par transfert appliqué aux modèles de langagesubscribers
- 4. Préparer un modèle pour le transfert d’apprentissagesubscribers
- 4. Exploiter Word2Vec pour représenter les motssubscribers
- 4. Construire des modèles de classification multi-classesubscribers
- 4. Explorer le jeu de données 20 Newsgroupssubscribers
- 4. Classer des articles de presse par catégoriesubscribers
- 4. Mesurer les performances du modèlesubscribers
- 4. Analyser l’équilibre entre précision et rappelsubscribers
- 4. Choisir entre précision et rappelsubscribers
- 4. Évaluer un modèle de classification multi-classesubscribers
- 5. Découvrir les modèles séquence à séquencesubscribers
- 5. Explorer la génération de texte avec des modèles séquence à séquencesubscribers
- 5. Découvrir la traduction automatique neuronalesubscribers
- 5. Mettre en place une fonction de génération de textesubscribers
- 5. Prédire le caractère suivant dans une séquencesubscribers
- 5. Générer du texte en tenant compte du contextesubscribers
- 5. Ajuster les probabilités pour contrôler la générationsubscribers
- 5. Explorer différentes approches de génération de textesubscribers
- 5. Créer des représentations de phrases et prédire les caractères suivantssubscribers
- 5. Préparer les données nécessaires à l’entraînementsubscribers
- 5. Construire un modèle de génération de textesubscribers
- 5. Appliquer la traduction automatique neuronalesubscribers
- 5. Préparer les séquences de texte en entréesubscribers
- 5. Préparer les séquences de texte en sortiesubscribers
- 5. Traduire automatiquement du portugais vers l’anglaissubscribers
- 5. Terminer la mise en pratique des modèles séquence à séquencesubscribers
What's included
Everything that comes with the lessons
56 leçonsIllustrées d’exemples et de schémas.
Quiz at the end of each lessonCorrected immediately; only your best score counts.
Your notesTaken during the lessons, easily found by section.
Course questionsAsk them within the lesson: the team and fellow learners will answer.
Progress trackingBy section, including your quiz results.
Verifiable certificateIssued in your name, with a unique code.
Pace
How long, depending on your availability
I can dedicate, per week:
Certificate
What you get at the end
CERTIFICATE OF COMPLETIONModeling Language with Recurrent Neural Networks (RNN) in Kerasissued in your name
Unique codeVerifiable online
Once the course is completed, the certificate is issued in your name. Its code allows a recruiter to verify it in just a few seconds.
This is not a diploma or a professional certification; it is verifiable proof that you have followed and successfully completed this course.
Author
Who writes this course
ÉQ
DATAGOZ Team
Trainer · DATAGOZ
A clear, hands-on teaching approach, with concrete examples to help you learn effectively.
Questions
Before you start
No prerequisites: the course starts from the basics.
As long as your subscription is active. If you cancel it, your progress and certificates remain saved.
A DATAGOZ training certificate, personal and verifiable online with its code. This is not a diploma.
Accessibility. Do you have a disability? Write to contact@datagoz.com: we will look with you at the possible adaptations.
Start this course today
13 lessons open, no credit card required. You'll see the level and tone before deciding.