النماذج المتعاقبة

ستتعلم في هذا المساق كيفية إنشاء نماذج للغة الطبيعية والصوت وغيرها من البيانات المتعاقبة. بفضل التعلم العميق، تعمل خوارزميات التسلسل والتعاقب بشكل أفضل بكثير مما كانت عليه قبل عامين فقط مما يتيح العديد من التطبيقات المثيرة في التعرف على الكلام والتركيبات الموسيقية وروبوتات الدردشة والترجمة الآلية وفهم اللغة الطبيعية وغيرها من التطبيقات الأخرى. سوف تتعلم كيفية: - فهم كيفية بناء وتدريب الشبكات العصبونية المتكررة (RNN) والمتغيرات الشائعة الاستخدام مثل GRUs والذاكرة طويلة المدى. - تطبيق نماذج التسلسل على المشاكل الطبيعية للغة بما في ذلك تركيب النص. - تطبيق نماذج التسلسل على التطبيقات الصوتية، بما في ذلك التعرف على الكلام والتركيبات الموسيقية. هذا هو المساق الخامس والأخير من تخصص التعلم العميق. تشاركdeeplearning.ai أيضًا مع مؤسسة نيفيديا للتعلم العميق في المساق الخامس، نماذج التسلسل، لتوفير مهمة برمجة على الترجمة الآلية مع التعلم العميق. سوف تتاح لك فرصة إنشاء مشروع تعلم عميق بمحتوى متطور وذو صلة بالعملية الصناعية.

• القوالب المتتابعة وآلية الانتباه
• تعلم المزيد حول الشبكات العصبونية المتكررة. لقد ثبت أن هذا النوع من النماذج يعمل بشكل جيد للغاية على البيانات الزمنية. تحتوي على العديد من المتغيرات بما في ذلك LSTMs وGRUs والشبكات العصبونية المتكررة ثنائية الاتجاه، والتي سنتعرف عليها في هذا الجزء.
• معالجة اللغة العصبية وكلمات التعارف
• تعتبر معالجة اللغة الطبيعية مع التعلم العميق مزيجًا مهمًا. باستخدام تمثيلات متجهات الكلمات وطبقات التضمين، يمكنك تدريب الشبكات العصبونية المتكررة بأداء متميز في مجموعة متنوعة من الصناعات. ومن أمثلة التطبيقات تحليل المشاعر والتعرف على الكيانات المسماة والترجمة الآلية
• القوالب المتتابعة وآلية الانتباه
• يمكن زيادة القوالب المتتابعة باستخدام آلية الانتباه. ستساعد هذه الخوارزمية نموذجك على فهم المكان الذي يجب أن يركز فيه انتباهه في ضوء تسلسل المدخلات. ستتعرف هذا الأسبوع كذلك على التعرف على الكلام وكيفية التعامل مع البيانات الصوتية.