Présentation du traitement en langage naturel avec PyTorch
Dans ce module, nous allons explorer différentes architectures de réseau neuronal pour traiter les textes en langage naturel. Au cours des dernières années, le traitement du langage naturel (NLP) a connu une croissance rapide principalement en raison de la capacité des modèles de langage à « comprendre » avec précision le langage humain plus rapidement tout en utilisant une formation non supervisée sur des corps de texte volumineux. Nous allons découvrir différentes techniques NLP telles que l’utilisation de « bag-of-words » (BoW), les incorporations de mots et les réseaux neuronaux récurrents pour classer le texte des titres des actualités dans une des 4 catégories (Monde, Sports, Entreprise et Sciences et techniques).
Objectifs d’apprentissage
Dans ce module, vous allez :
- Comprendre comment le texte est traité pour les tâches de traitement du langage naturel
- Introduction à l’utilisation de réseaux neuronaux récurrents (RNN) et de réseaux neuronaux de récupération (GNN)
- Découvrez comment créer des modèles de classification de texte
Prérequis
- Connaissance élémentaire de Python
- Connaissance élémentaire de l’utilisation des notebooks Jupyter
- Notions de base sur le Machine Learning