دانلود کتاب Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBERTa, and more (به فارسی: ترانسفورماتورها برای پردازش زبان طبیعی: ساخت معماری های شبکه عصبی عمیق برای NLP با پایتون، PyTorch، TensorFlow، BERT، RoBERTa و موارد دیگر) نوشته شده توسط «Denis Rothman»
اطلاعات کتاب ترانسفورماتورها برای پردازش زبان طبیعی: ساخت معماری های شبکه عصبی عمیق برای NLP با پایتون، PyTorch، TensorFlow، BERT، RoBERTa و موارد دیگر
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Packt Publishing Ltd
نویسنده: Denis Rothman
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 384 / 385
حجم فایل: 5.52 مگابایت
کد کتاب: 1800568630 , 9781800568631
توضیحات کتاب ترانسفورماتورها برای پردازش زبان طبیعی: ساخت معماری های شبکه عصبی عمیق برای NLP با پایتون، PyTorch، TensorFlow، BERT، RoBERTa و موارد دیگر
با تسلط بر جهش کوانتومی مدل‌های شبکه عصبی ترانسفورماتور به یک متخصص درک زبان هوش مصنوعی تبدیل شوید
ویژگی‌های کلیدی
- ساخت و پیاده‌سازی پیشرفته‌ترین مدل‌های زبان مانند ترانسفورماتور اصلی، BERT، T5 و GPT-2، با استفاده از مفاهیمی که بهتر از مدل‌های یادگیری عمیق کلاسیک هستند
- برنامه‌های کاربردی در پایتون را با استفاده از نوت‌بوک‌های مشارکتی Google بدون هیچ چیزی برای نصب در محلی انجام دهید. machine
- یادگیری نکات آموزشی و روش های جایگزین برای درک زبان برای نشان دادن مفاهیم کلیدی مهم
توضیحات کتاب
معماری ترانسفورماتور در عملکرد بهتر از مدل های کلاسیک RNN و CNN انقلابی بوده است. امروزه در حال استفاده است. Transformers for Natural Language Processing با رویکردی کاربردی به‌صورتی که شما یاد می‌گیرید، یادگیری عمیق را برای ترجمه‌های ماشینی، گفتار به نوشتار، متن به گفتار، مدل‌سازی زبان، پاسخ‌گویی به سؤال و بسیاری از حوزه‌های NLP با جزئیات بررسی می‌کند. با ترانسفورماتورها.
این کتاب شما را از طریق NLP با پایتون می‌برد و مدل‌ها و مجموعه‌های داده برجسته مختلف را در معماری ترانسفورماتور ایجاد شده توسط پیشگامانی مانند Google، Facebook، Microsoft، OpenAI و Hugging Face بررسی می‌کند.
کتاب شما را در سه مرحله آموزش می دهد. مرحله اول شما را با معماری ترانسفورماتور آشنا می کند، که از ترانسفورماتور اصلی شروع می شود، قبل از اینکه به مدل های RoBERTa، BERT و DistilBERT بروید. شما روش های آموزشی برای ترانسفورماتورهای کوچکتر را کشف خواهید کرد که می توانند در برخی موارد بهتر از GPT-3 عمل کنند. در مرحله دوم، ترانسفورماتورهایی را برای درک زبان طبیعی (NLU) و تولید زبان طبیعی (NLG) اعمال خواهید کرد. در نهایت، مرحله سوم به شما کمک می کند تا تکنیک های پیشرفته درک زبان مانند بهینه سازی مجموعه داده های شبکه های اجتماعی و شناسایی اخبار جعلی را درک کنید.
در پایان این کتاب NLP، شما تبدیل کننده ها را از دیدگاه علم شناختی درک خواهید کرد و خواهید توانست در استفاده از مدل‌های ترانسفورماتور از پیش آموزش‌دیده‌شده توسط غول‌های فناوری در مجموعه‌های داده مختلف مهارت دارد.
آنچه یاد خواهید گرفت
- از جدیدترین مدل‌های ترانسفورماتور از پیش آموزش‌دیده استفاده کنید
- به کارکرد ترانسفورماتور اصلی، GPT- توجه کنید. 2، BERT، T5 و سایر مدل‌های ترانسفورماتور
- با استفاده از مفاهیمی که بهتر از مدل‌های یادگیری عمیق کلاسیک هستند، برنامه‌های پایتون درک زبان ایجاد کنید
- از انواع پلتفرم‌های NLP، از جمله Hugging Face، Trax، استفاده کنید. و AllenNLP
- برنامه‌های Python، TensorFlow و Keras را برای تجزیه و تحلیل احساسات، خلاصه‌سازی متن، تشخیص گفتار، ترجمه‌های ماشینی و موارد دیگر اعمال کنید
- بازدهی ترانسفورماتورهای کلیدی را برای تعیین محدوده آنها اندازه‌گیری کنید. پتانسیل و محدودیت در تولید
این کتاب برای چه کسی است
از آنجایی که کتاب برنامه نویسی اولیه را آموزش نمی دهد، باید با شبکه های عصبی، Python، PyTorch و TensorFlow آشنا باشید تا پیاده سازی آنها را با Transformers یاد بگیرید.
خوانندگانی که می توانند بیشترین بهره را از این کتاب ببرند عبارتند از یادگیری عمیق و amp; متخصصان NLP، تحلیلگران داده و دانشمندان داده که می خواهند مقدمه ای برای درک زبان هوش مصنوعی برای پردازش مقادیر فزاینده عملکردهای مبتنی بر زبان داشته باشند.
Become an AI language understanding expert by mastering the quantum leap of Transformer neural network models
Key Features
- Build and implement state-of-the-art language models, such as the original Transformer, BERT, T5, and GPT-2, using concepts that outperform classical deep learning models
- Go through hands-on applications in Python using Google Colaboratory Notebooks with nothing to install on a local machine
- Learn training tips and alternative language understanding methods to illustrate important key concepts
Book Description
The transformer architecture has proved to be revolutionary in outperforming the classical RNN and CNN models in use today. With an apply-as-you-learn approach, Transformers for Natural Language Processing investigates in vast detail the deep learning for machine translations, speech-to-text, text-to-speech, language modeling, question answering, and many more NLP domains with transformers.
The book takes you through NLP with Python and examines various eminent models and datasets within the transformer architecture created by pioneers such as Google, Facebook, Microsoft, OpenAI, and Hugging Face.
The book trains you in three stages. The first stage introduces you to transformer architectures, starting with the original transformer, before moving on to RoBERTa, BERT, and DistilBERT models. You will discover training methods for smaller transformers that can outperform GPT-3 in some cases. In the second stage, you will apply transformers for Natural Language Understanding (NLU) and Natural Language Generation (NLG). Finally, the third stage will help you grasp advanced language understanding techniques such as optimizing social network datasets and fake news identification.
By the end of this NLP book, you will understand transformers from a cognitive science perspective and be proficient in applying pretrained transformer models by tech giants to various datasets.
What you will learn
- Use the latest pretrained transformer models
- Grasp the workings of the original Transformer, GPT-2, BERT, T5, and other transformer models
- Create language understanding Python programs using concepts that outperform classical deep learning models
- Use a variety of NLP platforms, including Hugging Face, Trax, and AllenNLP
- Apply Python, TensorFlow, and Keras programs to sentiment analysis, text summarization, speech recognition, machine translations, and more
- Measure the productivity of key transformers to define their scope, potential, and limits in production
Who this book is for
Since the book does not teach basic programming, you must be familiar with neural networks, Python, PyTorch, and TensorFlow in order to learn their implementation with Transformers.
Readers who can benefit the most from this book include deep learning & NLP practitioners, data analysts and data scientists who want an introduction to AI language understanding to process the increasing amounts of language-driven functions.
