Apprendre les techniques de traitement de texte

Vous explorerez les principes fondamentaux du traitement de texte et apprendrez à prétraiter et à encoder des données textuelles pour les modèles d'apprentissage profond. Vous explorerez des techniques telles que la tokenisation, le stemming, la lemmatisation et des méthodes d'encodage comme l'encodage one-hot, Bag-of-Words et TF-IDF, en les utilisant avec des réseaux neuronaux convolutifs (CNN) et des réseaux neuronaux récurrents (RNN) pour la classification de texte.

Faites preuve de créativité grâce à la génération de texte et aux réseaux neuronaux récurrents

Le voyage se poursuit alors que vous découvrez comment les réseaux neuronaux récurrents (RNN) permettent la génération de texte et explorez le monde fascinant des réseaux antagonistes génératifs (GAN) pour la génération de texte. De plus, vous découvrirez des modèles pré-entraînés capables de générer du texte avec fluidité et créativité.

Construisez des modèles performants pour la classification de texte

Enfin, vous explorerez des sujets avancés dans le domaine de l'apprentissage profond pour le texte, notamment les techniques d'apprentissage par transfert pour la classification de texte et l'exploitation de la puissance des modèles pré-entraînés. Vous découvrirez l'architecture Transformer et le mécanisme d'attention, et vous comprendrez leur application dans le traitement de texte. À la fin de ce cours, vous aurez acquis une expérience pratique et les compétences nécessaires pour traiter des données textuelles complexes et créer des modèles d'apprentissage profond performants.

Catégoriser les tâches de classification de texte

Deep Learning pour le texte avec PyTorch

Exercice interactif pratique