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.
от партнера


Последовательные модели
deeplearning.aiОб этом курсе
Приобретаемые навыки
- Machine Translation
- Word Embedding
- Combination
- Deep Learning
от партнера

deeplearning.ai
DeepLearning.AI is an education technology company that develops a global community of AI talent.
Программа курса: что вы изучите
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.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Что я получу, оплатив сертификацию?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.