深度學習 : 進階 NLP 與 RNNs

Contents

本課程將使用深度學習技術,如序列到序列(seq2seq)模型、注意力機制、RNN、CNN和記憶網路,以自然語言處理為應用。學習者將能建構文字分類、神經機器翻譯和問題回答系統。課程需求包括Python程式設計技能和深度學習概念等。

從這 8 小時的課程，你會學到

建構文字分類( text classification )系統（可用於垃圾郵件檢測、情感分析和類似問題）
建立一個神經機器翻譯系統（也可以用於 chatbots 和問題回答）
建構序列到序列（seq2seq）模型
建立一個注意（Attention ) 模型
建立一個記憶網路（根據故事回答問題）

要求

了解深度學習是什麼以及如何使用它
有一定程度的 Python 程式設計技巧，特別是資料科學工具（Numpy、Matplotlib）
最好有 RNN、LSTM 和 GRU 經驗
最好有 Keras 經驗
最好能理解詞嵌入( word embeddings )

這門課程是自然語言處理進階課程，如果要入門自然語言處理可以先上這位講師開的兩門課程

課程說明

很難相信自從我發佈我的第一門關於使用 NLP（自然語言處理）的深度學習( Deep Learning )課程已一年多了。

從那時起，很多很酷的東西都發生了，我一直在深入挖掘並學習，研究和積累最好和最有用的想法，並將它們帶回給你。

那麼這門課到底是什麼？從那時起到現在已經有哪些變化呢？

在之前的課程中，你了解了 Deep NLP 的一些基本建構區塊。我們研究了 RNN（遞歸神經網路）、CNN（卷積神經網路）以及詞嵌入( word embedding )演算法，如 word2vec 和 GloVe。

本課程將你帶入更高的系統思維水平。

既然你知道這些東西是如何運作的，那麼現在是時候運用這些組件來建構系統了。

在本課程結束時，你將能夠建構應用程是，以解決以下問題：

文字分類（例如情感分析和垃圾郵件檢測）
神經機器翻譯
問題回答

我們將簡要介紹一下 chatbots，正如你在本課程中學到的一樣，這個問題實際上與機器翻譯和問題回答沒有什麼不同。

為了解決這些問題，我們將研究一些深度 NLP 技術，比如：

雙向 RNN
seq2seq（序列到序列）
注意( Attention )
記憶網路 ( Memory Networks )

所有這門課程的材料都可以免費下載和安裝。我們將使用 Keras、Numpy、Tensorflow 和 Matpotlib 等 Python 程式庫( libraries )中完成大部分工作，使事情變得非常容易，並專注於高階觀念。我隨時可以回答你的問題，並在你的資料科學旅程中提供幫助。

本課程著重於“如何建構和理解”，而不僅僅是“如何使用”。讀完一些文件後，任何人都可以在 15 分鐘內學會使用 API。這不是關於“記住事實”，而是關於通過實驗“親自發現”。它會教你如何視覺化模型內部發生的事情。如果你不僅僅需要膚淺地了解機器學習模型，本課程適合你。

我們在課堂中見！

目標受眾

機器學習、深度學習、人工智慧和資料科學的學生
機器學習、深度學習、人工智慧和資料科學方面的專業人員
任何對最先進的自然語言處理感興趣的人

講師簡介

Lazy Programmer Inc 資料科學家和大數據工程師

我是一名資料科學家、大數據工程師和全端軟體工程師。

我有電腦工程的碩士，專長為機器學習和模式辨識。

我曾在網路廣告和數位媒體企業擔任過資料科學家和大數據工程師，圍繞所謂的資料建構各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 創建新的大數據管道，也曾建立機器學習模型來預測點擊率，使用線性迴歸、Bayesian Bandits 和協同過濾 ( collaborative filtering )建立新聞推薦系統，並使用A / B測試驗證結果。

我曾在大學部與研究所教授資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學，任職的學校如哥倫比亞大學、紐約大學、Hunter 學院和 The New School。

有多家企業已從我的 Web 程式設計專業知識中受益。我做所有的後端(伺服器)、前端（HTML / JS / CSS）和運營/佈署工作。我使用的技術包含：Python、Ruby / Rails、PHP、Bootstrap、jQuery（Javascript）、Backbone 和 Angular。至於儲存/資料庫，我採用 MySQL、Postgres、Redis、MongoDB等。