InicioCursosModelar el lenguaje con redes neuronales recurrentes (RNN) en Keras

Preparar los textos para su procesamiento por un modelo

Capítulo 2 · Diseñar modelos de lenguaje con redes neuronales recurrentes y Keras · lección 8 de 56
Reservado a los suscriptores — aquí tienes su inicio
El resto de esta lección está reservado a los suscriptores Crea tu cuenta gratuita para probar los ejercicios de ejemplo y, cuando quieras, pásate al acceso completo.

Cree su cuenta gratuita

Sin tarjeta de crédito, en treinta segundos.
Continuar con Google
o
Registrarse con un correo electrónico
¿Ya tienes cuenta? Iniciar sesión
Al continuar, aceptas las condiciones de uso y la política de privacidad. Tus datos están alojados en la Unión Europea.

Acceso completo DATAGOZ

19 €/ mes — o 190 € / año
  • Todos los cursos publicados y los itinerarios profesionales
  • Ejercicios y cuestionarios corregidos automáticamente
  • Práctica, examen y certificado de seguimiento
  • Sin compromiso, cancelable en línea
Ver las fórmulas
Esta lección forma parte del curso

Modelar el lenguaje con redes neuronales recurrentes (RNN) en Keras

short_training6 capítulos · 56 lecciones
  • La plataforma de formaciónsuscriptores
  • Introducción y descubrimiento de las redes neuronales recurrentesabonnés
  • Comparar la complejidad de las RNN y de las redes neuronales clásicasabonnés
  • Aplicar las RNN al análisis de sentimientoabonnés
  • Descubrir los modelos secuencia a secuenciasuscriptores
  • Comprender los principios del modelado del lenguajeabonnés
  • Explorar las características de los datos textualesabonnés
  • Preparar los textos para su procesamiento por un modeloestás aquí
  • Adaptar nuevos textos para utilizarlos con el modeloabonnés
  • Implementar RNN con Kerasabonnés
  • Construir modelos con Kerasabonnés
  • Preparar los datos textuales con Kerasabonnés
  • Construir tu primer modelo RNNabonnés
  • Comprender los fenómenos de desvanecimiento y explosión del gradientesuscriptores
  • Identificar las causas de los gradientes explosivossuscriptores
  • Analizar el problema de los gradientes que se anulansuscriptores
  • Descubrir las celdas GRU y LSTMsuscriptores
  • Comparar las celdas GRU con las RNN simplessuscriptores
  • Combinar varias capas RNNsuscriptores
  • Introducir la capa de embeddingsuscriptores
  • Comparar los modelos según su número de parámetrossuscriptores
  • Aprovechar el transfer learningsuscriptores
  • Mejorar el rendimiento gracias a los embeddingssuscriptores
  • Volver sobre la clasificación de sentimientossuscriptores
  • Optimizar la clasificación de sentimientossuscriptores
  • Integrar una capa CNN en los modelos RNNsuscriptores
  • Preparar los datos para la clasificación multiclasesuscriptores
  • Codificar las etiquetas en forma de vectoressuscriptores
  • Implementar el preprocesamiento de los datossuscriptores
  • Descubrir el aprendizaje por transferencia aplicado a los modelos de lenguajesuscriptores
  • Preparar un modelo para el aprendizaje por transferenciasuscriptores
  • Aprovechar Word2Vec para representar las palabrassuscriptores
  • Construir modelos de clasificación multiclasesuscriptores
  • Explorar el conjunto de datos 20 Newsgroupssuscriptores
  • Clasificar artículos de prensa por categoríasuscriptores
  • Medir el rendimiento del modeloseguidores
  • Analizar el equilibrio entre precisión y exhaustividadseguidores
  • Elegir entre precisión y exhaustividadseguidores
  • Evaluar un modelo de clasificación multiclaseseguidores
  • Descubrir los modelos secuencia a secuenciaseguidores
  • Explorar la generación de texto con modelos secuencia a secuenciaseguidores
  • Descubrir la traducción automática neuronalseguidores
  • Implementar una función de generación de textoseguidores
  • Predecir el carácter siguiente en una secuenciaseguidores
  • Generar texto teniendo en cuenta el contextoseguidores
  • Ajustar las probabilidades para controlar la generaciónseguidores
  • Explorar distintos enfoques de generación de textosuscriptores
  • Crear representaciones de frases y predecir los caracteres siguientessuscriptores
  • Preparar los datos necesarios para el entrenamientosuscriptores
  • Construir un modelo de generación de textosuscriptores
  • Aplicar la traducción automática neuronalsuscriptores
  • Preparar las secuencias de texto de entradasuscriptores
  • Preparar las secuencias de texto de salidasuscriptores
  • Traducir automáticamente del portugués al ingléssuscriptores
  • Terminar la práctica de los modelos secuencia a secuenciasuscriptores
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Adaptar nuevos textos para usarlos con el modelo

Ver el programa Crea una cuenta para continuar