NLP ด้วย Sequence Models: RNNs, LSTMs, และ GRUs

การประมวลผลข้อมูลลำดับ (sequential data) เช่น ข้อความ ต้องใช้โครงข่ายประสาทเทียม (neural networks) ที่มีความเชี่ยวชาญซึ่งเข้าใจบริบทและลำดับ หลักสูตรที่เน้นข้อความนี้จะนำคุณไปสู่แนวคิดหลักและการนำไปใช้จริงของ sequence models ใน Natural Language Processing (NLP). คุณจะเริ่มต้นด้วยคำจำกัดความพื้นฐานของการประมวลผลข้อความตามลำดับ และก้าวหน้าไปสู่การสร้างสถาปัตยกรรมโครงข่ายประสาทเทียมที่จัดการงานภาษาในโลกแห่งความเป็นจริง ด้วยการศึกษาคำอธิบายโค้ดที่มีโครงสร้างและการแยกย่อยทีละขั้นตอน คุณจะได้เรียนรู้วิธีการแทนข้อความด้วย dense vectors, การจำลองการพึ่งพาอาศัยกันเมื่อเวลาผ่านไป, และการเปรียบเทียบความหมายทางความหมาย (semantic meaning). สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจพื้นฐานทางคณิตศาสตร์ของ recurrent neural networks (RNNs) และวิธีการประมวลผลข้อมูลข้อความตามลำดับ - สร้างโมเดลวิเคราะห์ความรู้สึก (sentiment analysis) โดยใช้ word embeddings และ recurrent architectures เพื่อจำแนกข้อความ - สร้างข้อความสังเคราะห์โดยการฝึก Gated Recurrent Units (GRUs) เพื่อทำนายโทเค็นถัดไปในลำดับ - นำระบบ Named Entity Recognition (NER) ไปใช้โดยใช้ Long Short-Term Memory (LSTM) networks เพื่อระบุตำแหน่งและจำแนกเอนทิตีหลัก - สร้างสถาปัตยกรรม Siamese LSTM เพื่อเปรียบเทียบความคล้ายคลึงทางความหมายระหว่างประโยคต่างๆ - ประยุกต์ใช้เทคนิค tokenization สมัยใหม่และกลยุทธ์การจัดการลำดับที่ใช้ในเวิร์กโฟลว์ deep learning ร่วมสมัย หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็น ครอบคลุม tokenization, การสร้างคำศัพท์ (vocabulary building), และ embedding layers จากนั้นคุณจะได้สำรวจ recurrent networks แบบง่าย ก่อนที่จะก้าวไปสู่ gated architectures เช่น LSTMs และ GRUs สำหรับงานประมวลผลข้อความที่ซับซ้อน หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นใน deep learning และ NLP ที่มีความเข้าใจพื้นฐานเกี่ยวกับ Python และพื้นฐานของโครงข่ายประสาทเทียม ไม่จำเป็นต้องมีประสบการณ์ล่วงหน้าเกี่ยวกับ sequence models เริ่มอ่านเพื่อสร้างโมเดล NLP ที่ใช้ลำดับของคุณเองได้แล้ววันนี้