Metin üretim metriklerini anlama

PyBooks'ta ekip, önceden eğitilmiş bir modelin performansını BLEU skoru ile değerlendirdi ve yaklaşık 0.082, rouge1_fmeasure için de yaklaşık 0.2692 sonucu elde etti. Bu metrikler, kesinlik (seçilen öğelerin ne kadarı ilgili) ve duyarlılığı (ilgili öğelerin ne kadarı seçildi) gösterir. Bu puanları modelin performansı açısından nasıl yorumlarsın?

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Metin için Deep Learning

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Metin için Deep Learning

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölüm, seni metin için deep learning ve uygulamalarıyla tanıştırır. PyTorch’u metin işleme için nasıl kullanacağını öğren ve tokenizasyon, gövdeleme (stemming), durak sözcük (stopword) temizleme ve daha fazlası gibi tekniklerle uygulamalı deneyim kazan. Metin verisini kodlamanın önemini anla ve PyTorch kullanarak kodlama tekniklerini uygula. Son olarak, bu teknikleri birleştirerek bir metin işleme hattı (pipeline) kurup bilgilerini pekiştir.

Exercise 1: Metin için ön işleme giriş Exercise 2: Kelime sıklığı analizi Exercise 3: Metni ön işleme Exercise 4: Metin verisini kodlama Exercise 5: One-hot kodlanmış kitap başlıkları Exercise 6: Kitap başlıkları için Bag-of-words Exercise 7: Kitap açıklamalarına TF-IDF uygulama Exercise 8: Metin işleme hattı oluşturmaya giriş Exercise 9: Shakespeare dilinde ön işleme hattı Exercise 10: Shakespeare dili kodlayıcı

Metin sınıflandırmayı ve Doğal Dil İşleme (NLP) içindeki rolünü keşfet. PyTorch kullanarak sözcük gömmeleri (word embeddings) uygula ve metin sınıflandırma için Evrişimli Sinir Ağları (CNN) ile Yinelenen Sinir Ağları (RNN) geliştir; ayrıca modellerini uygun metriklerle nasıl değerlendireceğini anla.

Exercise 1: Metin Sınıflandırmasına Genel Bakış Exercise 2: PyTorch'ta Embedding Exercise 3: Metin sınıflandırma görevlerini kategorize etme Exercise 4: Metin sınıflandırma için evrişimsel sinir ağları Exercise 5: Metin için bir CNN modeli kur Exercise 6: Metin için bir CNN modeli eğit Exercise 7: Duygu Analizi CNN Modelini Test Etme Exercise 8: Metin sınıflandırma için yinelemeli sinir ağları Exercise 9: Metin için bir RNN modeli oluşturma Exercise 10: Metin için bir LSTM modeli oluşturma Exercise 11: Metin için bir GRU modeli oluşturma Exercise 12: Metin sınıflandırma için değerlendirme metrikleri Exercise 13: RNN sınıflandırma modellerini değerlendirme Exercise 14: Modelin performansını değerlendirme Exercise 15: Modelleri karşılaştırma

Metin üretiminin heyecan verici dünyasına ve NLP’deki uygulamalarına adım at. PyTorch kullanarak metin üretim görevleri için Yinelenen Sinir Ağları (RNN), Üretici Çekişmeli Ağlar (GAN) ve önceden eğitilmiş modellerden nasıl yararlanacağını öğren. Ayrıca, modellerinin performansını ilgili metriklerle değerlendirmeyi öğreneceksin.

Exercise 1: Metin üretimine giriş Exercise 2: Metin üretimi için bir RNN modeli oluşturma Exercise 3: RNN ile metin üretimi - Eğitim ve Üretim Exercise 4: Metin üretimi için üretici çekişmeli ağlar Exercise 5: Bir üreteç ve ayrımcı oluşturma Exercise 6: Bir GAN modelini eğitme Exercise 7: Metin üretimi için önceden eğitilmiş modeller Exercise 8: Önceden eğitilmiş GPT-2 modelleriyle metin tamamlama Exercise 9: Önceden eğitilmiş PyTorch modeliyle dil çevirisi Exercise 10: Metin üretimi için değerlendirme metrikleri Exercise 11: Önceden eğitilmiş metin üretim modelini değerlendirme Exercise 12: Metin üretim metriklerini anlama

Geçerli egzersiz

Transfer öğrenme kavramını ve metin sınıflandırmadaki kullanımını anla. Transformer’ları, mimarilerini ve onları metin sınıflandırma ile metin üretimi görevlerinde nasıl kullanacağını keşfet. Ayrıca dikkat (attention) mekanizmalarına ve metin işlemedeki rollerine de dalacaksın. Son olarak, düşmanca saldırıların metin sınıflandırma modelleri üzerindeki olası etkilerini anla ve modellerini nasıl koruyacağını öğren.

Exercise 1: Metin sınıflandırma için transfer learning Exercise 2: BERT ile transfer öğrenimi Exercise 3: BERT modelini değerlendirme Exercise 4: Metin işleme için Transformer'lar Exercise 5: Bir transformer modeli oluşturma Exercise 6: Transformer modelini eğitme ve test etme Exercise 7: Metin işlemede dikkat mekanizmaları Exercise 8: Dikkat mekanizmalı bir RNN modeli oluşturma Exercise 9: Dikkat mekanizmalı RNN modelini eğitme ve test etme Exercise 10: Metin sınıflandırma modellerine karşı adversaryal saldırılar Exercise 11: Adversarial saldırı sınıflandırma Exercise 12: PyBooks'ta AI'ı Koruma Exercise 13: Kapanış