Публикации по теме 'nlp'
Как бы Шекспир читал? (Практическая реализация LSTM для синтеза текста)
Впервые это было опубликовано в моем блоге в августе 2017 года. Я учился (и все еще учусь), поэтому, пожалуйста, простите - или, еще лучше, укажите - ошибки, которые я мог допустить.
Глубокий Рапспир
Синтез Рэп-склоняемого Шекспира с использованием рекуррентной нейронной сети LSTM, вдохновленной Карпати
Введение - Подготовка к тренировке - изменение кода - И вот! - Заключительные замечания
«MOTH. Но проверьте это своей душой (может больше) на этом мальчике ». - краткий..
Использование Twitter API для анализа настроения твитов
Каждый день генерируется много данных в разных формах, и одна из форм - текст; один хороший источник этих текстовых данных - твиты, где люди активно делятся своими мыслями. Наша цель в этой статье - использовать Twitter API для извлечения твитов и анализа их настроений.
Необходимые библиотеки и модули:
import matplotlib.pyplot as plt
%matplotlib inline
import re
import pandas as pd
import tweepy
from tweepy import OAuthHandler
from textblob import..
Тот самый Гамбургер!!
ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА (ЧАСТЬ II)
Далее это часть серии статей о НЛП. (Отметьте Часть I и Часть III )
Как мы видели в предыдущей статье, НЛП предоставляет интересные возможности, которые сегодня меняют многие отрасли. Круто, что компьютер может так много, но как ему это удается? О да, вы поняли, мы собираемся погрузиться в некоторые серьезные вещи!
Структура НЛП
Мы собираемся шаг за шагом построить структуру обработки естественного языка, и к концу этого «учебника»..
Автоматическое создание вопросов для ускорения рабочих процессов аннотации
Позвольте моделям-трансформерам делать аннотации за вас с помощью нового генератора вопросов Haystack.
Без помеченных наборов данных не было бы контролируемого машинного обучения: они обеспечивают достоверность, необходимую для построения прогностических моделей. Обученные аннотаторы тратят много часов на создание набора данных — кропотливая и монотонная задача. Но хотя машинному обучению удалось автоматизировать многие задачи, которые ранее зависели от человеческого опыта, маркировка..
Машинное обучение — Идентификатор пола с NLTK менее чем в 15 строках кода
Обработка естественного языка - это действительно интересный мир, чтобы узнать больше о том, как компьютеры понимают человеческие языки почти на всех разговорных языках в мире, существующих сегодня. Как мы все знаем, разговорный язык сильно отличается от изучения языка, поскольку изучение языка является стандартным процессом, которому нужно следовать, но все же трудно использовать обучение, чтобы говорить на новом языке в повседневной жизни. Существует множество исключений, вариаций..
Трудности — Обработка естественного языка (НЛП)
Информатика и дисциплина обработки естественного языка (NLP) искусственного интеллекта изучает, как взаимодействуют компьютеры и человеческие (естественные) языки. Двумя основными подполями НЛП являются распознавание и генерация речи. Генерация голоса включает в себя автономное создание письма на естественном языке из семантического содержания, в отличие от распознавания речи, которое требует распознавания, расшифровки или создания…
Создайте ChatGPT с вашими личными данными, используя LlamaIndex и MongoDB
Соавторы:
Пракул Агарвал — старший менеджер по продуктам, машинное обучение в MongoDB Джерри Лю — соучредитель LlamaIndex
Сводка
Модели больших языков (LLM), такие как ChatGPT, произвели революцию в том, как пользователи могут получать ответы на свои вопросы. Однако «знания» LLM ограничены тем, чему они обучались, что для ChatGPT означает общедоступную информацию в Интернете до сентября 2021 года. Как LLM могут отвечать на вопросы, используя частные источники знаний, такие как..
