Schulungsübersicht
Einführung in Deep Learning für NLP
Unterscheidung der verschiedenen Arten von DL-Modellen
Verwendung vorab trainierter und trainierter Modelle
Mithilfe von Worteinbettungen und Stimmungsanalysen die Bedeutung aus Texten extrahieren
Wie Unsupervised Deep Learning funktioniert
Installieren und Einrichten von Python Deep-Learning-Bibliotheken
Verwendung der Keras DL-Bibliothek zusätzlich zu TensorFlow, um Python das Erstellen von Untertiteln zu ermöglichen
Zusammenarbeit mit Theano (Bibliothek für numerische Berechnungen) und TensorFlow (Bibliothek für Allgemeines und Linguistik) zur Verwendung als erweiterte DL-Bibliotheken zum Erstellen von Untertiteln.
Verwenden Sie Keras zusätzlich zu TensorFlow oder Theano, um schnell mit Deep Learning zu experimentieren
Erstellen einer einfachen Deep-Learning-Anwendung in TensorFlow zum Hinzufügen von Bildunterschriften zu einer Bildersammlung
Fehlerbehebung
Ein Wort zu anderen (spezialisierten) DL-Frameworks
Bereitstellen Ihrer DL-Anwendung
Verwendung von GPUs zur Beschleunigung von DL
Schlußbemerkungen
Voraussetzungen
- Verständnis für PythonProgrammierung
- Verständnis für Python Bibliotheken im Allgemeinen
Publikum
- Programmierer mit Interesse an Linguistik
- Programmierer, die ein Verständnis für NLP (Natural Language Processing) suchen
Erfahrungsberichte (2)
Die Übungen und der Austausch bei Fragen / Antworten
Antoine - Physiobotic
Kurs - Scaling Data Pipelines with Spark NLP
Maschinelle Übersetzung
Very updated approach or api (tensorflow, kera, tflearn) to do machine learning