or
Questo esercizio fa parte del corso
Questo capitolo ti introduce al deep learning per il testo e alle sue applicazioni. Impara a usare PyTorch per l’elaborazione del testo e fai pratica con tecniche come tokenizzazione, stemming, rimozione delle stopword e altro ancora. Comprendi l’importanza dell’encoding dei dati testuali e implementa tecniche di encoding con PyTorch. Infine, consolida le conoscenze creando una pipeline di elaborazione del testo che combini queste tecniche.
Esplora la classificazione del testo e il suo ruolo nel Natural Language Processing (NLP). Metti in pratica le tue abilità per implementare word embedding e sviluppare sia Convolutional Neural Networks (CNN) sia Recurrent Neural Networks (RNN) per la classificazione del testo con PyTorch, e capisci come valutare i tuoi modelli usando metriche appropriate.
Avventurati nel mondo della generazione di testo e nelle sue applicazioni in NLP. Capisci come sfruttare Recurrent Neural Networks (RNN), Generative Adversarial Networks (GAN) e modelli pre-addestrati per compiti di generazione di testo con PyTorch. Inoltre, imparerai a valutare le prestazioni dei tuoi modelli usando metriche pertinenti.
Comprendi il concetto di transfer learning e la sua applicazione nella classificazione del testo. Esplora i Transformers, la loro architettura e come usarli per attività di classificazione e generazione di testo. Approfondirai anche i meccanismi di attention e il loro ruolo nell’elaborazione del testo. Infine, capisci i potenziali impatti degli attacchi avversari sui modelli di classificazione del testo e impara come proteggere i tuoi modelli.
Esercizio attuale