Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

DeepLearning.AI

Последовательные модели

DeepLearning.AI via Coursera

Overview

Данный курс научит вас строить модели естественных языков, звуков и других последовательных данных. Благодаря глубокому обучению последовательные алгоритмы сегодня работают в разы лучше, чем ещё два года назад. Это открывает широчайший спектр возможностей применения алгоритмов в распознавании речи, синтезе музыки, чат-ботах, машинном переводе, понимании естественных языков и во многом другом. Вы научитесь: — строить и обучать рекуррентные нейронные сети (РНС, RNN), а также широко используемые управляемые рекуррентные блоки (УРБ, GRU) и долгую краткосрочную память (ДКП, LSTM); — применять последовательные модели в задачах по обработке естественного языка, включая синтез текста; — применять модели последовательностей к звуковой информации, например для распознавания речи или синтеза музыки. Это пятый и заключительный курс специализации «Глубокое обучение». Задача по программированию машинного перевода с глубоким обучением, содержащаяся в этом курсе, разработана deeplearning.ai совместно с партнером — Институтом глубокого обучения NVIDIA (DLI). У вас будет возможность создать проект по глубокому обучению с современным, актуальным для индустрии содержанием.

Syllabus

  • Рекуррентные нейронные сети
    • В этом разделе вы познакомитесь с принципами работы рекуррентных нейронных сетей (РНС, RNN). Этот тип сетей показывает прекрасную работу с темпоральными данными и существует в нескольких вариантах, таких как LSTM (ДКП), GRU (УРБ), и двунаправленная РНС (Bidirectional RNN), о которых вы узнаете в этом разделе.
  • Обработка естественного языка и векторное представление слов
    • Сочетание обработки естественного языка и глубокого обучения — очень важное сочетание. Используя векторное представление слов и слои встраивания, вы сможете обучать рекуррентные нейронные сети, добиваясь выдающейся производительности в широком спектре областей. Примеры применения: анализ тональности текста, распознавание именованных сущностей и машинный перевод.
  • Последовательные модели и механизм внимания
    • Последовательные модели могут быть дополнены с использованием механизма внимания. С помощью этого алгоритма ваша модель сможет понять, на чем следует сосредоточить внимание, с учетом последовательности входных данных. На этой неделе вы также узнаете о распознавании речи и работе с аудиоданными.

Taught by

Andrew Ng, Kian Katanforoosh and Younes Bensouda Mourri

Reviews

Start your review of Последовательные модели

Never Stop Learning.

Get personalized course recommendations, track subjects and courses with reminders, and more.

Someone learning on their laptop while sitting on the floor.