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

Comprendre les principes de la modélisation du langage

Chapitre 2 · Concevoir des modèles de langage avec les réseaux de neurones récurrents et Keras · leçon 6 sur 56
Reservado aos subscritores — eis o seu início
Dans cette leçon, vous allez approfondir la création d’un modèle de langage à partir de données textuelles brutes. Calculer la probabilité d’une phrase Les modèles de langage permettent de déterminer la probabilité d’une phrase. Par exemple, quelle est la probabilité que la phrase « J’adore ce film » soit produite ? Il s’agit de déterminer la probabilité que chacun de ses mots apparaisse dans cet ordre précis. La méthode utilisée pour calculer cette probabilité varie selon le modèle. Les modèles unigrammes utilisent la probabilité de chaque mot dans le document et considèrent que ces probabilités sont indépendantes. Les modèles N-grammes calculent la probabilité d’un mot en fonction des N mo
A continuação desta lição é reservada aos subscritores Crie a sua conta gratuita para testar os exercícios de exemplo e, depois, passe para o acesso completo quando quiser.

Crie a sua conta gratuita

Sem cartão de crédito, em trinta segundos.
Continuar com o Google
ou
Inscrever-se com um e-mail
Já tem conta? Iniciar sessão
Ao continuar, aceita os termos de utilização e a política de privacidade. Os seus dados são alojados na União Europeia.

Acesso completo DATAGOZ

19 €/ mês — ou 190 € / ano
  • Todos os cursos publicados e os percursos profissionais
  • Exercícios e questionários corrigidos automaticamente
  • Treino, exame e certificado de frequência
  • Sem compromisso, cancelável online
Ver os planos
Esta lição faz parte do curso

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

short_training6 chapitres · 56 leçons
  • A plataforma de formaçãosubscritores
  • 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 langagevous êtes ici
  • 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
  • Conclusão da formaçãoassinantes
Próxima lição

Explorer les caractéristiques des données textuelles

Ver o programa Crie uma conta para continuar