Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7
1,783 avis
niveau Intermédiaire
Expérience recommandée
Expérience recommandée
Niveau intermédiaire
Connaissance pratique de l'apprentissage automatique, expérience intermédiaire en Python, y compris les cadres DL, et maîtrise du calcul, de l'algèbre linéaire et des statistiques
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7
1,783 avis
niveau Intermédiaire
Expérience recommandée
Expérience recommandée
Niveau intermédiaire
Connaissance pratique de l'apprentissage automatique, expérience intermédiaire en Python, y compris les cadres DL, et maîtrise du calcul, de l'algèbre linéaire et des statistiques
Utilisez la programmation dynamique, les modèles de Markov cachés et l'intégration de mots pour mettre en œuvre l'autocorrection, l'autocomplétion et l'identification des balises de partie du discours pour les mots.
Compétences que vous acquerrez
Catégorie : Emboîtements
Emboîtements
Catégorie : Réseaux neuronaux artificiels
Réseaux neuronaux artificiels
Catégorie : Probabilités et statistiques
Probabilités et statistiques
Catégorie : Modèle de Markov
Modèle de Markov
Catégorie : Nettoyage des données
Nettoyage des données
Catégorie : Méthodes d'apprentissage automatique
Méthodes d'apprentissage automatique
Catégorie : Prétraitement des données
Prétraitement des données
Catégorie : Traitement du langage naturel
Traitement du langage naturel
Catégorie : Algorithmes
Algorithmes
Détails à connaître
Certificat partageable
Ajouter à votre profil LinkedIn
Évaluations
4 devoirs
Enseigné en Anglais
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable
Il y a 4 modules dans ce cours
Dans le cours 2 de la spécialisation Traitement du langage naturel, vous : a) créerez un algorithme simple d'autocorrection en utilisant la distance d'édition minimale et la programmation dynamique, b) appliquerez l'algorithme de Viterbi pour l'étiquetage des parties du discours (POS), qui est vital pour la linguistique informatique, c) écrirez un meilleur algorithme d'autocorrection en utilisant un modèle de langage N-gram, et d) écrirez votre propre modèle Word2Vec qui utilise un réseau neuronal pour calculer les enchâssements de mots en utilisant un modèle continu de sac de mots.
À la fin de cette spécialisation, vous aurez conçu des applications NLP qui effectuent des réponses aux questions et des analyses de sentiments, créé des outils pour traduire des langues et résumer des textes. Cette spécialisation est conçue et enseignée par deux experts du NLP, de l'apprentissage automatique et de l'apprentissage profond. Younes Bensouda Mourri est un instructeur en IA à l'université de Stanford qui a également participé à la construction de la spécialisation Deep learning. Łukasz Kaiser est un Staff Research Scientist chez Google Brain et le coauteur de Tensorflow, des bibliothèques Tensor2Tensor et Trax, et du document Transformer.
Découvrez l'autocorrection, la distance minimale d'édition et la programmation dynamique, puis construisez votre propre correcteur orthographique pour corriger les mots mal orthographiés !
Inclus
11 vidéos11 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
11 vidéos•Total 31 minutes
Introduction au cours 2•2 minutes
Introduction à la semaine•1 minute
Vue d'ensemble•2 minutes
Autocorrection•3 minutes
Construire le modèle•4 minutes
Construction du modèle II•3 minutes
Distance minimale d'édition•3 minutes
Algorithme de distance minimale d'édition•6 minutes
Algorithme de la distance minimale d'édition II•4 minutes
Algorithme de la distance minimale d'édition III•3 minutes
Conclusion de la semaine•1 minute
11 lectures•Total 39 minutes
Vue d'ensemble•3 minutes
Autocorrection•4 minutes
Construire le modèle•3 minutes
Construction du modèle II•4 minutes
Distance minimale d'édition•5 minutes
Algorithme de distance minimale d'édition•3 minutes
Algorithme de la distance minimale d'édition II•5 minutes
Distance minimale d'édition III•4 minutes
Rejoignez le forum DeepLearning.IA pour poser des questions, obtenir du soutien ou partager des idées étonnantes !•2 minutes
Notes de cours W1•1 minute
(Facultatif) Téléchargement de votre ordinateur portable, Téléchargement de votre espace de travail et Actualisation de votre espace de travail•5 minutes
1 devoir•Total 30 minutes
Auto-correction et distance minimale d'édition•30 minutes
1 devoir de programmation•Total 180 minutes
Autocorrection•180 minutes
2 laboratoires non notés•Total 120 minutes
Cahier de lecture : Construire le vocabulaire•60 minutes
Carnet de notes : Candidats aux révisions•60 minutes
Marquage des parties du discours et modèles de Markov cachés
Semaine 2•6 heures à terminer
Détails du module
Découvrez les chaînes de Markov et les modèles de Markov cachés, puis utilisez-les pour créer des étiquettes de partie du discours pour un corpus de textes du Wall Street Journal !
Inclus
13 vidéos12 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
13 vidéos•Total 43 minutes
Introduction à la semaine•1 minute
Balisage des parties du discours•3 minutes
Chaînes de Markov•4 minutes
Chaînes de Markov et étiquettes POS•5 minutes
Modèles de Markov cachés•4 minutes
Calcul des probabilités•4 minutes
Remplir la matrice de transition•5 minutes
Remplir la matrice d'émission•3 minutes
L'algorithme de Viterbi•5 minutes
Viterbi : Initialisation•2 minutes
Viterbi : Passage en avant•2 minutes
Viterbi : Passage à rebours•5 minutes
Conclusion de la semaine•1 minute
12 lectures•Total 66 minutes
Balisage des parties du discours•4 minutes
Chaînes de Markov•3 minutes
Chaînes de Markov et étiquettes POS•6 minutes
Modèles de Markov cachés•6 minutes
Calcul des probabilités•5 minutes
Remplir la matrice de transition•6 minutes
Remplir la matrice d'émission•5 minutes
L'algorithme de Viterbi•5 minutes
Initialisation de Viterbi•5 minutes
Viterbi : Passage en avant•10 minutes
Viterbi : Passage à rebours•10 minutes
Notes de cours W2•1 minute
1 devoir•Total 30 minutes
Balisage des parties du discours•30 minutes
1 devoir de programmation•Total 180 minutes
Balisage des parties du discours•180 minutes
2 laboratoires non notés•Total 40 minutes
Carnet de notes - Travailler avec des fichiers texte•20 minutes
Carnet de notes - Travailler avec des balises et Numpy•20 minutes
Autocomplétion et modèles linguistiques
Semaine 3•9 heures à terminer
Détails du module
Découvrez le fonctionnement des modèles de langage N-gram en calculant les probabilités de séquence, puis construisez votre propre modèle de langage d'autocomplétion à l'aide d'un corpus de texte provenant de Twitter !
Inclus
11 vidéos10 lectures1 devoir1 devoir de programmation3 laboratoires non notés
Afficher les informations sur le contenu du module
11 vidéos•Total 53 minutes
Introduction à la semaine•1 minute
N-Grammes : Vue d'ensemble•4 minutes
N-grammes et probabilités•7 minutes
Probabilités de séquences•5 minutes
Début et fin des phrases•9 minutes
Le modèle de langage N-gram•7 minutes
Évaluation du modèle linguistique•7 minutes
Mots épuisés•5 minutes
Lissage•7 minutes
Résumé de la semaine•2 minutes
Conclusion de la semaine•1 minute
10 lectures•Total 70 minutes
Vue d'ensemble des N-Grammes•5 minutes
N-grammes et probabilités•10 minutes
Probabilités de séquences•6 minutes
Début et fin des phrases•6 minutes
Le modèle de langage N-gram•10 minutes
Évaluation du modèle linguistique•10 minutes
Mots épuisés•10 minutes
Lissage•10 minutes
Résumé de la semaine•2 minutes
Notes de cours W3•1 minute
1 devoir•Total 30 minutes
Autocomplétion•30 minutes
1 devoir de programmation•Total 180 minutes
Autocomplétion•180 minutes
3 laboratoires non notés•Total 180 minutes
Bloc-notes de la conférence : Prétraitement du corpus pour les N-grammes•60 minutes
Bloc-notes de la conférence : Construire le modèle linguistique•60 minutes
Cahier de conférence : Généralisation des modèles linguistiques•60 minutes
Intégration de mots à l'aide de réseaux neuronaux
Semaine 4•9 heures à terminer
Détails du module
Découvrez comment les enchâssements de mots portent le sens sémantique des mots, ce qui les rend beaucoup plus puissants pour les tâches de NLP, puis construisez votre propre modèle de sac de mots continu pour créer des enchâssements de mots à partir d'un texte de Shakespeare.
Inclus
22 vidéos23 lectures1 devoir1 devoir de programmation5 laboratoires non notés
Afficher les informations sur le contenu du module
22 vidéos•Total 73 minutes
Introduction à la semaine•1 minute
Vue d'ensemble•3 minutes
Représentations de base des mots•4 minutes
Intégrations de mots•4 minutes
Comment créer des emboîtements de mots•4 minutes
Méthodes d'intégration des mots•3 minutes
Modèle de sacs de mots continus•4 minutes
Nettoyage et tokenisation•5 minutes
Fenêtre coulissante de mots en Python•4 minutes
Transformer les mots en vecteurs•3 minutes
Architecture du modèle CBOW•3 minutes
Architecture du modèle CBOW : Dimensions•4 minutes
Architecture du modèle CBOW : Dimensions 2•3 minutes
Architecture du modèle CBOW : Fonctions d'activation•5 minutes
Formation d'un modèle CBOW : Fonction de coût•5 minutes
Formation d'un modèle CBOW : Propagation vers l'avant•3 minutes
Formation d'un modèle CBOW : Rétropropagation et descente de gradient•5 minutes
Extraction des vecteurs d'intégration des mots•3 minutes
Évaluation des emboîtements de mots : Évaluation intrinsèque•3 minutes
Évaluation des encodages de mots : Évaluation extrinsèque•3 minutes
Conclusion•2 minutes
Conclusion de la semaine•1 minute
23 lectures•Total 90 minutes
Vue d'ensemble•0 minutes
Représentations de base des mots•5 minutes
Intégrations de mots•4 minutes
Comment créer des emboîtements de mots ?•4 minutes
Méthodes d'intégration des mots•4 minutes
Modèle de sac de mots continu•3 minutes
Nettoyage et tokenisation•5 minutes
Fenêtre coulissante de mots en Python•10 minutes
Transformer les mots en vecteurs•2 minutes
Architecture du modèle CBOW•4 minutes
Architecture du modèle CBOW : Dimensions•4 minutes
Architecture du modèle CBOW : Dimensions•3 minutes
Architecture du modèle CBOW : Fonctions d'activation•5 minutes
Formation d'un modèle CBOW : Fonction de coût•3 minutes
Formation d'un modèle CBOW : Propagation vers l'avant•3 minutes
Formation d'un modèle CBOW : Rétropropagation et descente de gradient•4 minutes
Extraction des vecteurs d'intégration des mots•5 minutes
Évaluation des emboîtements de mots : Évaluation intrinsèque•4 minutes
Évaluation des encodages de mots : Évaluation extrinsèque•3 minutes
Conclusion•2 minutes
Notes de cours W4•1 minute
[IMPORTANT] Rappel sur la fin de l'accès aux cahiers de laboratoire•2 minutes
Remerciements•10 minutes
1 devoir•Total 30 minutes
Intégrations de mots•30 minutes
1 devoir de programmation•Total 180 minutes
Intégrations de mots•180 minutes
5 laboratoires non notés•Total 180 minutes
Carnet de notes - Préparation des données•30 minutes
Carnet de notes - Introduction au modèle CBOW•30 minutes
Carnet de notes - Formation au modèle CBOW•40 minutes
Carnet de notes - Word Embeddings•20 minutes
Carnet de notes : Les enchâssements de mots pas à pas•60 minutes
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeurs
Évaluations de l’enseignant
Évaluations de l’enseignant
Nous avons demandé à tous les étudiants de fournir des commentaires sur nos enseignants au sujet de la qualité de leur pédagogie.
DeepLearning.AI est une société de technologie éducative qui développe une communauté mondiale de talents en matière d'IA.
Les expériences éducatives de DeepLearning.AI, menées par des experts, fournissent aux praticiens de l'IA et aux professionnels non techniques les outils nécessaires pour passer des bases fondamentales aux applications avancées, leur permettant ainsi de construire un avenir propulsé par l'IA.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Avis des étudiants
4.7
1 783 avis
5 stars
79,54 %
4 stars
14,91 %
3 stars
3,41 %
2 stars
0,84 %
1 star
1,28 %
Affichage de 3 sur 1783
B
BN
5·
Révisé le 10 sept. 2020
This is one of the best courses i have taken. I have learned a lot from this course. Assignments were great and challenging. Thank you deeplearning.ai team for this amazing course.
P
PP
5·
Révisé le 29 mai 2021
I'm really thankful to the professors for sharing there knowledge and experience and creating this excellent course. I have learnt a a lot. Thank You !!!
A
AB
4·
Révisé le 17 juin 2022
Week 4 Lab Assignment could be made a little bit tougher. The backpropagation derivation of W1, W2, b1 and b2 could have an optional reading for the interested reader. Otherwise, amazing course!
Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Qu'est-ce que je recevrai si je souscris à cette Specializations ?
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.
Une aide financière est-elle disponible ?
Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien pour postuler sur la page de description.