LeTraitement du langage naturel (NLP) est un sous-domaine de la linguistique, de l'informatique et de l'intelligence artificielle qui utilise des algorithmes pour interpréter et manipuler le langage humain.
Cette technologie est l'un des domaines les plus largement appliqués de l'apprentissage automatique et est essentielle pour analyser efficacement des quantités massives de données non structurées et riches en texte. À mesure que l'IA continue de se développer, la demande de professionnels compétents pour construire des modèles qui analysent la reconnaissance vocale et le langage, découvrent des modèles contextuels et produisent des idées à partir de texte et d'audio augmentera également.
À la fin de cette spécialisation, vous serez prêt à concevoir des applications NLP qui effectuent des réponses aux questions et des analyses de sentiments, à créer des outils pour traduire des langues et à résumer des textes. Ces applications NLP, ainsi que d'autres, seront à l'avant-garde de la transformation à venir vers un avenir alimenté par l'IA.
Cette spécialisation est conçue et enseignée par deux experts en NLP, apprentissage automatique et Deep learning. Younes Bensouda Mourri est un instructeur en IA à l'Université de Stanford qui a également contribué 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.
Projet d'apprentissage appliqué
Cette spécialisation vous équipera des bases de l'apprentissage automatique et des techniques d'apprentissage profond de pointe nécessaires pour construire des systèmes NLP de pointe :
- Utilisez la régression logistique, la Classification naïve bayésienne et les vecteurs de mots pour mettre en œuvre l'analyse des sentiments, compléter les analogies, traduire les mots et utiliser le hachage sensible à la localité pour approximer les voisins les plus proches.
- Utiliser la programmation dynamique, les modèles de Markov cachés et les ancrages de mots pour autocorriger les mots mal orthographiés, autocompléter les phrases partielles et identifier les balises de partie de discours pour les mots.
- Utilisez des réseaux neurones denses et récurrents, des LSTM, des GRU et des réseaux siamois dans TensorFlow pour effectuer une analyse des sentiments avancée, une génération de texte, une reconnaissance des entités nommées et pour identifier les questions en double.
- Utilisez les modèles codeur-décodeur, causal et d'auto-attention pour réaliser des traductions automatiques avancées de phrases complètes, des résumés de texte et des réponses à des questions. Apprenez des modèles comme T5, BERT, et plus encore avec Hugging Face Transformers !
