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

Mettre en place des RNN avec Keras

Chapitre 2 · Concevoir des modèles de langage avec les réseaux de neurones récurrents et Keras · leçon 10 sur 56
Riservato agli abbonati — ecco l'inizio
Cette leçon présente la mise en œuvre de modèles RNN avec Keras. Après avoir découvert l’architecture des modèles de langage, l’objectif est maintenant d’utiliser Keras pour créer et entraîner des modèles RNN. Découvrir Keras et son fonctionnement Keras est une API de haut niveau construite au-dessus du framework de Deep Learning TensorFlow 2. Pour installer Keras, il suffit d’installer TensorFlow à l’aide du gestionnaire de paquets Python pip. Une fois l’installation effectuée, ses différents modules peuvent être utilisés pour expérimenter et mener rapidement des travaux de recherche. Les principaux modules de Keras utiles à la création de modèles de langage sont présentés dans la suite. Le
Il seguito di questa lezione è riservato agli abbonati Crea il tuo account gratuito per provare gli esercizi di esempio, poi passa all'accesso completo quando vuoi.

Crea il tuo account gratuito

Senza carta di credito, in trenta secondi.
Continua con Google
oppure
Iscriviti con un'e-mail
Già registrato? Accedi
Continuando, accetti le condizioni d'uso e la politica sulla privacy. I tuoi dati sono ospitati nell'Unione europea.

Accesso completo DATAGOZ

19 €/ mese — oppure 190 € / anno
  • Tutti i corsi pubblicati e i percorsi professionali
  • Esercizi e quiz corretti automaticamente
  • Allenamento, esame e attestato di frequenza
  • Senza impegno, disdettabile online
Vedi i piani
Questa lezione fa parte del corso

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

short_training6 chapitres · 56 leçons
  • La piattaforma di formazioneiscritti
  • 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 Kerasvous êtes ici
  • 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
  • Conclusione del corsoiscritti
Lezione successiva

Construire des modèles avec Keras

Vedi il programma Crea un account per continuare