Recenze čtenářů
Shrnutí:Kniha je komplexním průvodcem transformátory ve zpracování přirozeného jazyka (NLP) a je oceňována pro své podrobné vysvětlení, praktické příklady a aktuální obsah různých modelů, jako jsou BERT a GPT. Ačkoli slouží jako vynikající zdroj informací pro ty, kteří mají základní znalosti hlubokého učení a NLP, pro úplné začátečníky může být nedostatečná kvůli předpokládaným předchozím znalostem.
Klady:⬤ Podrobné vysvětlení transformátorů a modelů jako BERT a GPT.
⬤ Výrazný praktický přístup s příklady kódu a praktickými výukovými lekcemi.
⬤ Komplexní pokrytí aplikací a úloh NLP.
⬤ Dobře strukturované pro středně pokročilé studenty a praktiky.
⬤ Aktuální obsah nejnovějších metod NLP.
Zápory:⬤ Předpokládá značné předchozí znalosti NLP, což může být pro začátečníky nepřístupné.
⬤ Některé příklady kódu nefungují nebo vyžadují úpravy.
⬤ Chybí důkladný teoretický úvod do transformátorů, což může způsobit, že některé pojmy zůstanou nejasné.
⬤ Někteří čtenáři ji považovali spíše za sbírku existujících materiálů než za nové poznatky.
⬤ Několik recenzí zmiňuje chyby ve vzorcích a chyby v kódu.
(na základě 32 hodnocení čtenářů)
Původní název:
Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBER
Obsah knihy:
Staňte se expertem na porozumění jazyku AI zvládnutím kvantového skoku modelů neuronových sítí Transformer
Klíčové funkce
⬤ Sestavte a implementujte nejmodernější jazykové modely, jako je původní Transformer, BERT, T5 a GPT-2, pomocí konceptů, které překonávají klasické modely hlubokého učení.
⬤ Projděte si praktické aplikace v jazyce Python pomocí Google Colaboratory Notebooks bez nutnosti instalace na lokální počítač.
⬤ Naučte se tipy pro trénink a alternativní metody porozumění jazyku, které ilustrují důležité klíčové koncepty.
Popis knihy
Architektura transformátoru se ukázala jako revoluční v překonávání klasických modelů RNN a CNN, které se dnes používají. Kniha Transformátory pro zpracování přirozeného jazyka s přístupem "apply-as-you-learn" zkoumá v rozsáhlých detailech hluboké učení pro strojové překlady, převod řeči na text, převod textu na řeč, modelování jazyka, zodpovídání otázek a mnoho dalších domén NLP s transformátory.
Kniha vás provede NLP s Pythonem a prozkoumá různé význačné modely a datové sady v rámci architektury transformátorů vytvořené průkopníky, jako jsou Google, Facebook, Microsoft, OpenAI a Hugging Face.
Kniha vás naučí ve třech fázích. V první fázi se seznámíte s architekturou transformátorů, počínaje původním transformátorem, a poté přejdete k modelům RoBERTa, BERT a DistilBERT. Objevíte metody trénování menších transformátorů, které mohou v některých případech překonat GPT-3. Ve druhé fázi použijete transformátory pro porozumění přirozenému jazyku (NLU) a generování přirozeného jazyka (NLG). A konečně třetí etapa vám pomůže pochopit pokročilé techniky porozumění jazyku, jako je optimalizace datových sad sociálních sítí a identifikace falešných zpráv.
Na konci této knihy o NLP budete rozumět transformátorům z pohledu kognitivní vědy a budete zběhlí v aplikaci předtrénovaných modelů transformátorů technologických gigantů na různé datové sady.
Co se naučíte
⬤ Používat nejnovější předtrénované modely transformátorů.
⬤ Poznáte fungování původního transformátoru, GPT-2, BERT, T5 a dalších modelů transformátorů.
⬤ Vytvářet programy pro porozumění jazyku v jazyce Python pomocí konceptů, které překonávají klasické modely hlubokého učení.
⬤ Používejte různé platformy NLP, včetně Hugging Face, Trax a AllenNLP.
⬤ Použití programů Python, TensorFlow a Keras k analýze sentimentu, shrnutí textu, rozpoznávání řeči, strojovým překladům a dalším.
⬤ Měření produktivity klíčových transformátorů s cílem definovat jejich rozsah, potenciál a limity, a to ve výrobě.
Pro koho je tato kniha určena
Vzhledem k tomu, že kniha neučí základy programování, musíte znát neuronové sítě, Python, PyTorch a TensorFlow, abyste se mohli naučit jejich implementaci pomocí Transformers.
Mezi čtenáře, kterým tato kniha přinese největší užitek, patří odborníci na hluboké učení a NLP, datoví analytici a datoví vědci, kteří se chtějí seznámit s porozuměním jazyku umělé inteligence, aby mohli zpracovávat rostoucí množství funkcí řízených jazykem.
