Машинное обучение: Обработка естественного языка на Python (V2) [Udemy] [Lazy Programmer Inc.]

Складчина: Машинное обучение: Обработка естественного языка на Python (V2) [Udemy] [Lazy Programmer Inc.]

Machine Learning: Natural Language Processing in Python (V2)[Udemy] [Lazy Programmer Inc.] [Lazy Programmer Team]

NLP: использование марковских моделей, NLTK, искусственный интеллект, глубокое обучение, машинное обучение и наука о данных на Python

Требования:

• Установите Python, это бесплатно!
  
• Приличные навыки программирования на языке Python
  
• Дополнительно: Если вы хотите разобраться в математической части, то вам пригодится линейная алгебра и теория вероятности

Описание:
Здравствуйте, друзья!

Добро пожаловать в раздел "Машинное обучение: Обработка естественного языка на Python (версия 2).

Это обширный курс "4 в 1", включающий в себя:

1. Векторные модели и методы предварительной обработки текста
   
2. Вероятностные модели и марковские модели
   
3. Методы машинного обучения
   
4. Методы глубокого обучения и нейронные сети

В первой части, посвященной векторным моделям и методам предварительной обработки текста, вы узнаете, почему векторы так важны в науке о данных и искусственном интеллекте. Вы узнаете о различных методах преобразования текста в векторы, таких как CountVectorizer и TF-IDF, а также познакомитесь с основами методов нейронного встраивания, таких как word2vec и GloVe.

Затем вы примените полученные знания для решения различных задач, таких как:

• Классификация текстов
  
• Поиск документов / поисковая система
• Обобщение текста

Попутно вы освоите такие важные этапы предварительной обработки текста, как токенизация, стемминг и лемматизация.

Вы кратко познакомитесь с классическими задачами НЛП, такими как тегирование частей речи.

Во второй части, посвященной вероятностным и марковским моделям, вы узнаете об одной из самых важных моделей в науке о данных и машинном обучении за последние 100 лет. Она применяется не только в НЛП, но и во многих других областях, таких как финансы, биоинформатика и обучение с подкреплением.

В этом курсе вы увидите, как такие вероятностные модели могут быть использованы в различных областях, таких как:

• Построение классификатора текстов
• Генерация текста (создание поэзии)
• Формирование статей

Важно отметить, что эти методы являются необходимой предпосылкой для понимания работы новейших моделей трансформаторов (внимания), таких как BERT и GPT-3. В частности, мы познакомимся с двумя важными задачами, которые соответствуют задачам предварительного обучения для BERT и GPT.

В третьей части, посвященной методам машинного обучения, вы узнаете о более классических задачах НЛП, таких как:

• Обнаружение спама
• Топологическое моделирование
• Латентно-семантический анализ (также известный как латентно-семантическое индексирование)
• Анализ настроения

Этот раздел будет ориентирован на применение, а не на теорию, т.е. вместо того, чтобы тратить большую часть усилий на изучение деталей различных алгоритмов ML, вы сосредоточитесь на том, как они могут быть применены для решения вышеуказанных задач.Конечно, для того чтобы понять суть происходящего, вам все равно придется кое-что узнать об этих алгоритмах. Будут использоваться следующие алгоритмы:

• Наивный Байес
  
• Логистическая регрессия
  
• Анализ главных компонент (PCA) / разложение по сингулярным значениям (SVD)
  
• Латентное распределение Дирихле (LDA)

Это не просто "какие-то" алгоритмы машинного обучения / искусственного интеллекта, а скорее алгоритмы, которые являются основными в НЛП и поэтому являются неотъемлемой частью любого курса НЛП.

В четвертой части, посвященной методам глубокого обучения, вы узнаете о современных архитектурах нейронных сетей, которые могут применяться для решения задач НЛП. Благодаря своей огромной мощности и гибкости нейронные сети могут быть использованы для решения любой из упомянутых в курсе задач.

Вы узнаете о:

• Искусственные нейронные сети с обратной связью (ИНС)
• Конволюционные нейронные сети (CNN)
• Рекуррентные нейронные сети (РНС)
• Встраивание

При изучении RNN будут рассмотрены современные архитектуры, такие как LSTM и GRU, которые широко используются компаниями Google, Amazon, Apple, Facebook и др. для решения таких сложных задач, как перевод языка, распознавание речи и преобразование текста в речь.Очевидно, что поскольку новейшие трансформеры (такие как BERT и GPT-3) являются примерами глубоких нейронных сетей, эта часть курса является необходимым условием для понимания трансформеров.

УНИКАЛЬНЫЕ ХАРАКТЕРИСТИКИ

• Каждая строчка кода подробно объясняется
• Не тратить время на "набор текста" на клавиатуре, как в других курсах - давайте будем честными, никто не сможет написать код, достойный изучения, всего за 20 минут с нуля
• Не бойтесь математики университетского уровня - получите важные детали об алгоритмах, которые другие курсы оставляют без внимания

Спасибо за внимание и надеюсь на скорую встречу!

Чему вы научитесь:

• Как преобразовать текст в векторы с помощью CountVectorizer, TF-IDF, word2vec и GloVe
• Метки частей речи (POS) и распознавание именованных сущностей (NER)
• Препроцессинг текста, токенизация, стоп-слова, лемматизация и стемминг
• Как использовать Python, Scikit-Learn, Tensorflow, +More для NLP
• Трансформаторы обнимающихся лиц (только для VIP)
• Глубокое обучение (ANNs, CNNs, RNNs, LSTM, GRU) (более важные предпосылки для BERT и GPT-3)
• Машинное обучение (Naive Bayes, Logistic Regression, PCA, SVD, Latent Dirichlet Allocation)
• Как реализовать тематическое моделирование с помощью LDA, NMF и SVD
• Как реализовать латентное семантическое индексирование
• Как реализовать резюмирование текста
• Как реализовать спиннер статей
• Как реализовать анализ настроений
• Как реализовать обнаружение спама
• Как реализовать алгоритм расшифровки шифров с использованием генетических алгоритмов и языкового моделирования
• Вероятностные модели, языковые модели и марковские модели (необходимое условие для работы с Transformers, BERT и GPT-3)
• Как реализовать систему поиска документов / поисковую систему / поиск по сходству / векторное сходство

Преподаватель:

Lazy Programmer Inc.
Ленивый программист - опытный онлайн-педагог с непоколебимой страстью к распространению знаний. Имея более чем 10-летний опыт работы, он произвел революцию в области науки о данных и машинного обучения, покорив аудиторию по всему миру своими комплексными курсами и учебными пособиями.

Обладая многопрофильным образованием, Ленивый программист имеет замечательный дуэт магистерских степеней. Первым делом он занялся компьютерной инженерией, специализируясь на машинном обучении и распознавании образов. Затем, не зная границ, он отправился в сферу статистики, изучая ее применение в финансовом инжиниринге.

Признанный первопроходцем в своей области, "ленивый программист" быстро освоил возможности глубокого обучения, когда оно еще только зарождалось. Будучи одним из первопроходцев, он бесстрашно взялся за организацию одного из первых онлайн-курсов по глубокому обучению, что позволило ему занять лидирующие позиции в отрасли.

За пределами сферы образования Ленивый программист обладает бесценным практическим опытом, который сформировал его знания. Его работа в области интернет-рекламы и цифровых медиа принесла поразительные результаты: он поднял на новую высоту показатели кликов и конверсии, а также увеличил доходы компаний, в которых он работал, на миллионы долларов. Как инженер-программист полного цикла, он хорошо знаком с целым рядом бэкенд- и веб-технологий, включая Python, Ruby on Rails, C++, Scala, PHP, Javascript, SQL, большие данные, Spark и Redis.

Хотя его достижения в области науки о данных и машинного обучения поражают воображение, интеллектуальная любознательность Ленивого программиста выходит далеко за рамки этих областей. Его стремление к знаниям заставляет его исследовать такие разнообразные области, как открытие лекарственных препаратов, биоинформатика и алгоритмическая торговля. Вникая в сложности и тонкости этих областей, он стремится раскрыть их потенциал и внести свой вклад в их развитие.

Благодаря неизменной приверженности своим студентам и склонности к упрощению сложных концепций, "Ленивый программист" является влиятельной фигурой в сфере онлайн-образования. Благодаря своим курсам по науке о данных, машинному обучению, глубокому обучению и искусственному интеллекту он помогает начинающим студентам уверенно ориентироваться в запутанном ландшафте этих дисциплин.

Как автор, наставник и новатор, "Ленивый программист" оставил неизгладимый след в мире науки о данных, машинного обучения и не только. Благодаря своей способности разъяснять самые сложные концепции он продолжает формировать новое поколение специалистов по изучению данных и вдохновляет множество людей на собственные интеллектуальные путешествия.

Lazy Programmer Team
Ленивый программист - опытный онлайн-педагог с непоколебимой страстью к распространению знаний. Имея более чем 10-летний опыт работы, он произвел революцию в области науки о данных и машинного обучения, покорив аудиторию по всему миру своими комплексными курсами и учебными пособиями.

Обладая многопрофильным образованием, Ленивый программист имеет замечательный дуэт магистерских степеней. Первым делом он занялся компьютерной инженерией, специализируясь на машинном обучении и распознавании образов. Затем, не зная границ, он отправился в сферу статистики, изучая ее применение в финансовом инжиниринге.

Признанный первопроходцем в своей области, "ленивый программист" быстро освоил возможности глубокого обучения, когда оно еще только зарождалось. Будучи одним из первопроходцев, он бесстрашно взялся за организацию одного из первых онлайн-курсов по глубокому обучению, что позволило ему занять лидирующие позиции в отрасли.

За пределами сферы образования Ленивый программист обладает бесценным практическим опытом, который сформировал его знания. Его работа в области интернет-рекламы и цифровых медиа принесла поразительные результаты: он поднял на новую высоту показатели кликов и конверсии, а также увеличил доходы компаний, в которых он работал, на миллионы долларов. Как инженер-программист полного цикла, он хорошо знаком с целым рядом бэкенд- и веб-технологий, включая Python, Ruby on Rails, C++, Scala, PHP, Javascript, SQL, большие данные, Spark и Redis.

Хотя его достижения в области науки о данных и машинного обучения поражают воображение, интеллектуальная любознательность Ленивого программиста выходит далеко за рамки этих областей. Его стремление к знаниям заставляет его исследовать такие разнообразные области, как открытие лекарственных препаратов, биоинформатика и алгоритмическая торговля. Вникая в сложности и тонкости этих областей, он стремится раскрыть их потенциал и внести свой вклад в их развитие.

Благодаря неизменной приверженности своим студентам и склонности к упрощению сложных концепций, "Ленивый программист" является влиятельной фигурой в сфере онлайн-образования. Благодаря своим курсам по науке о данных, машинному обучению, глубокому обучению и искусственному интеллекту он помогает начинающим студентам уверенно ориентироваться в запутанном ландшафте этих дисциплин.

Как автор, наставник и новатор, "Ленивый программист" оставил неизгладимый след в мире науки о данных, машинного обучения и не только. Благодаря своей способности разъяснять самые сложные концепции он продолжает формировать новое поколение специалистов по изучению данных и вдохновляет множество людей на собственные интеллектуальные путешествия.

Спойлер: Оригинальное описание:

Hello friends!
Welcome to Machine Learning: Natural Language Processing in Python (Version 2).

This is a massive 4-in-1 course covering:

1) Vector models and text preprocessing methods

2) Probability models and Markov models

3) Machine learning methods

4) Deep learning and neural network methods

In part 1, which covers vector models and text preprocessing methods, you will learn about why vectors are so essential in data science and artificial intelligence. You will learn about various techniques for converting text into vectors, such as the CountVectorizer and TF-IDF, and you'll learn the basics of neural embedding methods like word2vec, and GloVe.

You'll then apply what you learned for various tasks, such as:

Text classification

Document retrieval / search engine

Text summarization

Along the way, you'll also learn important text preprocessing steps, such as tokenization, stemming, and lemmatization.

You'll be introduced briefly to classic NLP tasks such as parts-of-speech tagging.

In part 2, which covers probability models and Markov models, you'll learn about one of the most important models in all of data science and machine learning in the past 100 years. It has been applied in many areas in addition to NLP, such as finance, bioinformatics, and reinforcement learning.

In this course, you'll see how such probability models can be used in various ways, such as:

Building a text classifier

Article spinning

Text generation (generating poetry)

Importantly, these methods are an essential prerequisite for understanding how the latest Transformer (attention) models such as BERT and GPT-3 work. Specifically, we'll learn about 2 important tasks which correspond with the pre-training objectives for BERT and GPT.

In part 3, which covers machine learning methods, you'll learn about more of the classic NLP tasks, such as:

Spam detection

Sentiment analysis

Latent semantic analysis (also known as latent semantic indexing)

Topic modeling

This section will be application-focused rather than theory-focused, meaning that instead of spending most of our effort learning about the details of various ML algorithms, you'll be focusing on how they can be applied to the above tasks.

Of course, you'll still need to learn something about those algorithms in order to understand what's going on. The following algorithms will be used:

Naive Bayes

Logistic Regression

Principal Components Analysis (PCA) / Singular Value Decomposition (SVD)

Latent Dirichlet Allocation (LDA)

These are not just "any" machine learning / artificial intelligence algorithms but rather, ones that have been staples in NLP and are thus an essential part of any NLP course.

In part 4, which covers deep learning methods, you'll learn about modern neural network architectures that can be applied to solve NLP tasks. Thanks to their great power and flexibility, neural networks can be used to solve any of the aforementioned tasks in the course.

Thank you for reading and I hope to see you soon!

Подробная информация:

Продающая страница: Скрытая ссылка

Продолжительность: 22.5 ч.
Язык: Английский + Английские субтитры.

Бонус от Организатора: Русские субтитры от OpenAI + Русские аудио дорожки машинный перевод + для удобства воспроизведения добавлена отдельная папка с сшитыми видео файлами (Русская аудио дорожка + видео файл) [Premium Ai female voice].
*Аудио перевод произведён с синхронизацией таймингов.