Introducción al aprendizaje profundo para el procesamiento del lenguaje natural: Aprende a construir aplicaciones NLP con Deep Learning

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 16 votos.

Título original:

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

Contenido del libro:

Aprenda a rediseñar aplicaciones PNL desde cero.

Características principales

⬤  Familiarícese con los conceptos básicos de cualquier aplicación de aprendizaje automático o aprendizaje profundo.

⬤  Comprenda cómo funciona el preprocesamiento en la tubería NLP.

⬤  Use fragmentos simples de PyTorch para crear bloques de construcción básicos de la red comúnmente utilizada en NLP.

⬤  Familiarícese con la técnica avanzada de incrustación, la red generativa y las técnicas de procesamiento de señales de audio.

Descripción

El procesamiento del lenguaje natural (NLP) es una de las áreas donde se aplican muchas técnicas de Machine Learning y Deep Learning.

Este libro cubre amplias áreas, incluidos los fundamentos del aprendizaje automático, la comprensión y optimización de hiperparámetros, las redes neuronales de convolución (CNN) y las redes neuronales recurrentes (RNN). Este libro no sólo cubre el concepto clásico de procesamiento de texto, sino que también comparte los avances recientes. Este libro capacitará a los usuarios para diseñar redes con la menor complejidad computacional y temporal. Este libro no sólo cubre los conceptos básicos del Procesamiento del Lenguaje Natural, sino que también ayuda a descifrar la lógica que subyace a conceptos/arquitecturas avanzados como la Normalización por Lotes, la Incrustación de Posición, DenseNet, el Mecanismo de Atención, las Redes de Autopistas, los modelos de Transformación y las Redes Siamesas. Este libro también cubre avances recientes como ELMo-BiLM, SkipThought y Bert. Este libro también cubre la aplicación práctica con la explicación paso a paso de las técnicas de aprendizaje profundo en el modelado de temas, generación de texto, reconocimiento de entidades con nombre, resumen de texto y traducción de idiomas. Además de esto, también se cubren temas muy avanzados y abiertos a la investigación como Generative Adversarial Network y Speech Processing.

Lo que aprenderás

⬤  Aprende a aprovechar la GPU para el Aprendizaje Profundo.

⬤  Aprenda a utilizar modelos de incrustación complejos como BERT.

⬤  Familiarizarse con las aplicaciones comunes de PNL.

⬤  Aprender a utilizar GANs en PNL.

⬤  Aprenda a procesar datos de voz e implementarlos en aplicaciones de voz.

A quién va dirigido este libro

Este libro es una lectura obligada para todos los que desean comenzar la carrera con el aprendizaje automático y el aprendizaje profundo. Este libro es también para aquellos que quieren utilizar la GPU para el desarrollo de aplicaciones de Deep Learning.

Índice

1. Comprensión de los fundamentos del proceso de aprendizaje.

2. Técnicas de procesamiento de texto.

3. Representación matemática del lenguaje.

4. 4. Uso de RNN para PNL.

5. Aplicación de CNN en tareas de PNL.

6. Aceleración de la PNL con incrustaciones avanzadas.

7. Aplicación del aprendizaje profundo a tareas de PLN.

8. Aplicación de arquitecturas complejas en PLN.

9. Entendiendo las Redes Generativas.

10. Técnicas de Procesamiento del Habla.

11. El camino por recorrer.

Sobre los autores

Sunil Patel ha completado su máster en Tecnología de la Información en el Instituto Indio de Tecnología de la Información-Allahabad con una tesis centrada en la investigación de las interacciones proteína-proteína en 3D con aprendizaje profundo. Sunil ha trabajado con TCS Innovation Labs, Excelra e Innoplexus antes de incorporarse a Nvidia. Las principales áreas de investigación fueron el uso del aprendizaje profundo, el procesamiento del lenguaje natural en la banca y el ámbito sanitario.

Sunil comenzó a experimentar con el aprendizaje profundo implantando la capa básica utilizada en las canalizaciones y, a continuación, desarrollando canalizaciones complejas para un problema de la vida real. Aparte de esto, Sunil también ha participado en CASP-2014 en colaboración con SCFBIO-IIT Delhi para predecir eficientemente la posible formación de multimeros de proteínas y su impacto en las enfermedades utilizando Deep Learning. Actualmente, Sunil trabaja con Nvidia como Científico de Datos - III.

Perfil de LinkedIn https: //www.linkedin.com/in/linus1/.