Iniziare con il Deep Learning per l'elaborazione del linguaggio naturale: Imparare a costruire applicazioni NLP con il Deep Learning

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 16 voti.

Titolo originale:

Getting started with Deep Learning for Natural Language Processing: Learn how to build NLP applications with Deep Learning

Contenuto del libro:

Imparare a riprogettare le applicazioni NLP da zero.

Caratteristiche principali

⬤  Familiarizzare con le basi di qualsiasi applicazione di Machine Learning o Deep Learning.

⬤  Capire come funziona la preelaborazione nella pipeline NLP.

⬤  Utilizzare semplici snippet di PyTorch per creare gli elementi di base della rete comunemente utilizzata in NLP.

⬤  Familiarizzare con le tecniche avanzate di embedding, rete generativa e tecniche di elaborazione del segnale audio.

Descrizione

L'elaborazione del linguaggio naturale (NLP) è una delle aree in cui vengono applicate molte tecniche di Machine Learning e Deep Learning.

Questo libro copre ampie aree, tra cui i fondamenti del Machine Learning, la comprensione e l'ottimizzazione degli iperparametri, le reti neurali a convoluzione (CNN) e le reti neurali ricorrenti (RNN). Questo libro non copre solo i concetti classici dell'elaborazione del testo, ma condivide anche i recenti progressi. Questo libro aiuterà gli utenti a progettare reti con la minore complessità computazionale e temporale possibile. Questo libro non solo copre le basi dell'elaborazione del linguaggio naturale, ma aiuta anche a decifrare la logica che sta alla base di concetti/architetture avanzate come la normalizzazione dei lotti, l'incorporazione della posizione, la rete densa, il meccanismo di attenzione, le reti autostradali, i modelli di trasformazione e le reti siamesi. Il libro copre anche i recenti progressi come ELMo-BiLM, SkipThought e Bert. Il libro tratta anche l'implementazione pratica con la spiegazione passo dopo passo delle tecniche di deep learning nella modellazione di argomenti, nella generazione di testi, nel riconoscimento di entità denominate, nella sintesi di testi e nella traduzione linguistica. Inoltre, vengono trattati anche argomenti molto avanzati e aperti alla ricerca, come le reti avversarie generative e l'elaborazione del parlato.

Che cosa imparerete?

⬤  Imparare a sfruttare le GPU per il Deep Learning.

⬤  Imparare a utilizzare modelli di embedding complessi come BERT.

⬤  Acquisire familiarità con le applicazioni NLP più comuni.

⬤  Imparare a usare le GAN in NLP.

⬤  Imparare a elaborare i dati vocali e a implementarli nelle applicazioni vocali.

Per chi è questo libro?

Questo libro è una lettura obbligata per tutti coloro che desiderano iniziare una carriera con l'apprendimento automatico e il Deep Learning. Questo libro è anche per coloro che vogliono utilizzare le GPU per sviluppare applicazioni di Deep Learning.

Indice dei contenuti

1. Comprendere le basi del processo di apprendimento.

2. Tecniche di elaborazione del testo.

3. Rappresentazione matematica del linguaggio.

4. Utilizzo delle RNN per la PNL.

5. Applicazione della CNN in compiti di PNL.

6. Accelerazione dell'NLP con embeddings avanzati.

7. Applicazione del Deep Learning ai compiti di NLP.

8. Applicazione di architetture complesse all'NLP.

9. Comprendere le reti generative.

10. Tecniche di elaborazione del parlato.

11. La strada da percorrere.

Sugli autori

Sunil Patel ha conseguito un master in Information Technology presso l'Indian Institute of Information technology-Allahabad con una tesi incentrata sullo studio delle interazioni proteina-proteina 3D con il deep learning. Prima di passare a Nvidia, Sunil ha lavorato con TCS Innovation Labs, Excelra e Innoplexus. Le principali aree di ricerca erano l'utilizzo del Deep Learning, l'elaborazione del linguaggio naturale nel settore bancario e sanitario.

Sunil ha iniziato a sperimentare il deep learning impiantando il livello di base utilizzato nelle pipeline e sviluppando poi pipeline complesse per un problema reale. Oltre a questo, Sunil ha partecipato al CASP-2014 in collaborazione con lo SCFBIO-IIT di Delhi per prevedere in modo efficiente la possibile formazione di multimeri proteici e il loro impatto sulle malattie utilizzando il Deep Learning. Attualmente Sunil lavora con Nvidia come Data Scientist - III.

Profilo LinkedIn https: //www.linkedin.com/in/linus1/.