Modéliser le langage avec les réseaux de neurones récurrents (RNN) dans Keras
6 chapitres · 56 leçons
≈ 14 h
Certificado de frequência
Ajustável pelo seu empregador, mediante orçamento e fatura
Crie a sua conta gratuita
13 lições abertas, sem cartão bancário.
Criar minha conta
Já tenho uma conta
Os seus dados são armazenados na União Europeia. Confidencialidade
Descrição
Como decorre o curso
Cada lição é um texto estruturado, ilustrado com exemplos e esquemas, seguido de um quiz corrigido automaticamente. Você avança no seu próprio ritmo, e as suas notas ficam associadas à lição em que as fez.
Esse formato é adequado para você?
Ver a primeira lição13 lições abertas, sem cartão bancário.
Programa
6 chapitres, 56 leçons
- 2. Introduction et découverte des réseaux de neurones récurrentsaberto
- 2. Comparer la complexité des RNN et des réseaux de neurones classiquesaberto
- 2. Appliquer les RNN à l’analyse de sentimentaberto
- 2. Découvrir les modèles de séquence à séquenceaberto
- 2. Comprendre les principes de la modélisation du langageaberto
- 2. Explorer les caractéristiques des données textuellesaberto
- 2. Préparer les textes pour leur traitement par un modèleaberto
- 2. Adapter de nouveaux textes pour les utiliser avec le modèleaberto
- 2. Mettre en place des RNN avec Kerasaberto
- 2. Construire des modèles avec Kerasaberto
- 2. Préparer les données textuelles avec Kerasaberto
- 2. Construire votre premier modèle RNNaberto
- 3. Comprendre les phénomènes de disparition et d’explosion du gradientassinantes
- 3. Identifier les causes des gradients explosifsassinantes
- 3. Analyser le problème des gradients qui s’annulentassinantes
- 3. Découvrir les cellules GRU et LSTMassinantes
- 3. Comparer les cellules GRU aux RNN simplesassinantes
- 3. Combiner plusieurs couches RNNassinantes
- 3. Introduire la couche d’embeddingassinantes
- 3. Comparer les modèles selon leur nombre de paramètresassinantes
- 3. Exploiter le transfer learningassinantes
- 3. Améliorer les performances grâce aux embeddingsassinantes
- 3. Revenir sur la classification des sentimentsassinantes
- 3. Optimiser la classification des sentimentsassinantes
- 3. Intégrer une couche CNN aux modèles RNNassinantes
- 4. Préparer les données pour la classification multi-classeassinantes
- 4. Encoder les étiquettes sous forme de vecteursassinantes
- 4. Mettre en place le prétraitement des donnéesassinantes
- 4. Découvrir l’apprentissage par transfert appliqué aux modèles de langageassinantes
- 4. Préparer un modèle pour le transfert d’apprentissageassinantes
- 4. Exploiter Word2Vec pour représenter les motsassinantes
- 4. Construire des modèles de classification multi-classeassinantes
- 4. Explorer le jeu de données 20 Newsgroupsassinantes
- 4. Classer des articles de presse par catégorieassinantes
- 4. Mesurer les performances du modèleassinantes
- 4. Analyser l’équilibre entre précision et rappelassinantes
- 4. Choisir entre précision et rappelassinantes
- 4. Évaluer un modèle de classification multi-classeassinantes
- 5. Découvrir les modèles séquence à séquenceassinantes
- 5. Explorer la génération de texte avec des modèles séquence à séquenceassinantes
- 5. Découvrir la traduction automatique neuronaleassinantes
- 5. Mettre en place une fonction de génération de texteassinantes
- 5. Prédire le caractère suivant dans une séquenceassinantes
- 5. Générer du texte en tenant compte du contexteassinantes
- 5. Ajuster les probabilités pour contrôler la générationassinantes
- 5. Explorer différentes approches de génération de texteassinantes
- 5. Créer des représentations de phrases et prédire les caractères suivantsassinantes
- 5. Préparer les données nécessaires à l’entraînementassinantes
- 5. Construire un modèle de génération de texteassinantes
- 5. Appliquer la traduction automatique neuronaleassinantes
- 5. Préparer les séquences de texte en entréeassinantes
- 5. Préparer les séquences de texte en sortieassinantes
- 5. Traduire automatiquement du portugais vers l’anglaisassinantes
- 5. Terminer la mise en pratique des modèles séquence à séquenceassinantes
O que está incluído
Tudo o que acompanha as lições
56 leçonsIllustrées d’exemples et de schémas.
Quiz em cada liçãoCorreções imediatas; só a sua melhor pontuação conta.
As suas notasTomadas nas lições, encontradas por secção.
Perguntas do cursoColoque-as na lição: a equipa e os formandos respondem.
Acompanhamento do progressoPor secção, com os seus resultados nos quizzes.
Certificado verificávelNominativo, com um código único.
Ritmo
Quanto tempo, de acordo com a sua disponibilidade
Posso dedicar a isso, por semana:
Certificado
O que você obtém no final
CERTIFICADO DE CONCLUSÃOModéliser le langage avec les réseaux de neurones récurrents (RNN) dans Kerasemitido em seu nome
Código únicoVerificável online
Quando o curso termina, o certificado é emitido em seu nome. O código permite a um recrutador verificá-lo em poucos segundos.
Não é um diploma nem uma certificação profissional; é a prova verificável de que você frequentou e concluiu este curso.
Autor
Quem escreve este curso
EQ
Equipe DATAGOZ
Formador · DATAGOZ
Uma pedagogia clara e aplicada, com exemplos concretos para aprender de forma eficaz.
Perguntas
Antes de começar
Nenhum pré-requisito: o curso parte das bases.
Enquanto a sua assinatura estiver ativa. Se a cancelar, o seu progresso e os seus certificados continuam guardados.
Um certificado de frequência DATAGOZ, nominal e verificável online através do seu código. Não é um diploma.
Acessibilidade. Está em situação de deficiência? Escreva para contact@datagoz.com: estudamos consigo as adaptações possíveis.
Comece este curso hoje
13 lições abertas, sem cartão bancário. Verás o nível e o tom antes de decidir.