รากฐานของ NLP: โมเดลความน่าจะเป็นและการฝังคำ

เครื่องมือค้นหาคาดเดาคำถัดไปของคุณได้อย่างไร และโปรแกรมแก้ไขการสะกดคำรู้ได้อย่างไรว่าคุณตั้งใจจะพิมพ์อะไร? การประมวลผลภาษาธรรมชาติอาศัยโมเดลความน่าจะเป็นที่ซับซ้อนเพื่อทำความเข้าใจภาษามนุษย์ ด้วยการทำความเข้าใจกรอบคณิตศาสตร์หลักเหล่านี้ คุณจะปลดล็อกความสามารถในการวิเคราะห์ ทำนาย และแสดงข้อความด้วยคอมพิวเตอร์ หลักสูตรนี้จะนำคุณไปสู่แนวคิดทางคณิตศาสตร์และอัลกอริทึมพื้นฐานของ NLP คุณจะเปลี่ยนจากการทำความเข้าใจความน่าจะเป็นของข้อความพื้นฐานไปสู่การนำอัลกอริทึมหลักที่ขับเคลื่อนเทคโนโลยีภาษาที่ทันสมัยมาใช้ ซึ่งเป็นการสร้างรากฐานที่แข็งแกร่งสำหรับ AI และ machine learning ขั้นสูง สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจทฤษฎีความน่าจะเป็นพื้นฐานและกลยุทธ์การแบ่งคำ รวมถึงการแบ่งคำย่อยที่ทันสมัย ซึ่งเป็นรากฐานของภาษาศาสตร์เชิงคำนวณ - สร้างระบบแก้ไขอัตโนมัติโดยใช้ระยะทางแก้ไขขั้นต่ำ (minimum edit distance) และการเขียนโปรแกรมเชิงพลวัต (dynamic programming) - ประยุกต์ใช้อัลกอริทึม Viterbi และ Hidden Markov Models สำหรับการติดแท็กส่วนของคำพูด (part-of-speech tagging) ที่แม่นยำ - พัฒนาโมเดลภาษา N-gram เพื่อทำนายคำถัดไปและนำคุณสมบัติเติมข้อความอัตโนมัติ (auto-complete) มาใช้ - สร้างการฝังคำ (word embeddings) โดยใช้โมเดล Word2Vec continuous bag-of-words เพื่อจับความหมายเชิงความหมาย - สำรวจว่าโมเดลความน่าจะเป็นแบบคลาสสิกเปลี่ยนไปสู่การแสดงเวกเตอร์ที่ใช้ Transformer ที่ทันสมัยได้อย่างไร คุณจะเริ่มต้นด้วยคำศัพท์ที่จำเป็นและพื้นฐานความน่าจะเป็น ก่อนที่จะก้าวไปทีละขั้นตอนผ่านการประมวลผลข้อความ การติดป้ายลำดับ (sequence labeling) และการแสดงคำด้วยโครงข่ายประสาทเทียม (neural word representations) แต่ละแนวคิดจะได้รับการเสริมด้วยคำอธิบายที่เป็นลายลักษณ์อักษรที่ชัดเจนและตัวอย่างโค้ด Python ที่ใช้งานได้จริง ซึ่งออกแบบมาสำหรับการเรียนรู้แบบลงมือปฏิบัติ หลักสูตรที่เน้นข้อความนี้ออกแบบมาสำหรับโปรแกรมเมอร์มือใหม่ ผู้ที่ชื่นชอบข้อมูล และวิศวกร machine learning ที่ต้องการทำความเข้าใจการทำงานภายในของ NLP ไม่จำเป็นต้องมีพื้นฐานด้าน machine learning ขั้นสูง เริ่มต้นการเดินทางของคุณสู่คณิตศาสตร์และอัลกอริทึมของการประมวลผลภาษาได้แล้ววันนี้