Recenzie čitateľov
Zhrnutie:Kniha je komplexnou príručkou o transformátoroch v spracovaní prirodzeného jazyka (NLP), ktorá je oceňovaná pre svoje podrobné vysvetlenia, praktické príklady a aktuálny obsah rôznych modelov, ako sú BERT a GPT. Hoci slúži ako vynikajúci zdroj informácií pre tých, ktorí majú základné znalosti o hlbokom učení a NLP, pre úplných začiatočníkov môže byť nedostatočná kvôli predpokladaným predchádzajúcim znalostiam.
Výhody:⬤ Podrobné vysvetlenie transformátorov a modelov, ako sú BERT a GPT.
⬤ Silný praktický prístup s príkladmi kódu a praktickými návodmi.
⬤ Komplexné pokrytie aplikácií a úloh NLP.
⬤ Dobre štruktúrované pre stredne pokročilých študentov a praktikov.
⬤ Aktuálny obsah o najmodernejších metódach NLP.
Nevýhody:⬤ Predpokladá značné predchádzajúce znalosti NLP, čo môže spôsobiť, že bude neprístupná pre začiatočníkov.
⬤ Niektoré príklady kódu nefungujú alebo si vyžadujú úpravy.
⬤ Chýba výrazný teoretický úvod do transformátorov, čo môže spôsobiť, že niektoré pojmy zostanú nejasné.
⬤ Niektorí čitatelia ju považovali skôr za zbierku existujúcich materiálov než za nové poznatky.
⬤ Niekoľko recenzií spomína chyby vo vzorcoch a chyby v kóde.
(na základe 32 čitateľských recenzií)
Pôvodný názov:
Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBER
Obsah knihy:
Staňte sa expertom na porozumenie jazyku AI zvládnutím kvantového skoku modelov neurónových sietí Transformer
Kľúčové funkcie
⬤ Zostavte a implementujte najmodernejšie jazykové modely, ako napríklad pôvodný Transformer, BERT, T5 a GPT-2, pomocou konceptov, ktoré prekonávajú klasické modely hlbokého učenia.
⬤ Prechádzajte praktickými aplikáciami v jazyku Python pomocou Google Colaboratory Notebooks bez nutnosti inštalácie na lokálny počítač.
⬤ Zoznámte sa s tipmi na trénovanie a alternatívnymi metódami porozumenia jazyka na ilustráciu dôležitých kľúčových konceptov.
Popis knihy
Transformátorová architektúra sa ukázala ako revolučná v prekonávaní klasických modelov RNN a CNN, ktoré sa dnes používajú. Kniha Transformátory pre spracovanie prirodzeného jazyka s prístupom "aplikuj ako sa učíš" skúma v rozsiahlych detailoch hlboké učenie pre strojové preklady, prevod reči na text, prevod textu na reč, modelovanie jazyka, odpovedanie na otázky a mnohé ďalšie oblasti NLP s transformátormi.
Kniha vás prevedie NLP s jazykom Python a skúma rôzne významné modely a súbory údajov v rámci architektúry transformátorov, ktoré vytvorili priekopníci ako Google, Facebook, Microsoft, OpenAI a Hugging Face.
Kniha vás naučí v troch fázach. V prvej etape sa zoznámite s architektúrami transformátorov, počnúc pôvodným transformátorom, a potom prejdete na modely RoBERTa, BERT a DistilBERT. Objavíte metódy trénovania menších transformátorov, ktoré môžu v niektorých prípadoch prekonať GPT-3. V druhej etape použijete transformátory na porozumenie prirodzenému jazyku (NLU) a generovanie prirodzeného jazyka (NLG). A nakoniec, tretia etapa vám pomôže pochopiť pokročilé techniky porozumenia jazyka, ako je optimalizácia súborov údajov sociálnych sietí a identifikácia falošných správ.
Na konci tejto knihy o NLP budete rozumieť transformátorom z pohľadu kognitívnej vedy a budete zdatní v aplikovaní predtrénovaných modelov transformátorov technologických gigantov na rôzne súbory údajov.
Čo sa naučíte
⬤ Používať najnovšie predtrénované modely transformátorov.
⬤ Poznáte fungovanie pôvodného transformátora, GPT-2, BERT, T5 a ďalších modelov transformátorov.
⬤ Vytvárať programy v jazyku Python s porozumením jazyka pomocou konceptov, ktoré prekonávajú klasické modely hlbokého učenia.
⬤ Používajte rôzne platformy NLP vrátane Hugging Face, Trax a AllenNLP.
⬤ Používajte programy Python, TensorFlow a Keras na analýzu nálad, sumarizáciu textu, rozpoznávanie reči, strojové preklady a ďalšie.
⬤ Meranie produktivity kľúčových transformátorov s cieľom definovať ich rozsah, potenciál a limity v produkcii.
Pre koho je táto kniha určená
Keďže kniha neučí základy programovania, musíte poznať neurónové siete, Python, PyTorch a TensorFlow, aby ste sa naučili ich implementáciu pomocou Transformers.
Medzi čitateľov, ktorí môžu mať z tejto knihy najväčší úžitok, patria odborníci na hlboké učenie a NLP, dátoví analytici a dátoví vedci, ktorí chcú získať úvod do porozumenia jazyku umelej inteligencie na spracovanie čoraz väčšieho množstva funkcií riadených jazykom.
