Recurrent Neural Networks with Python: Hands-On Sequence Modeling (bằng tiếng Anh).

Dữ liệu theo trình tự có ở khắp nơi, từ ngôn ngữ tự nhiên đến chuỗi thời gian tài chính, nhưng mạng nơron truyền thống khó xử lý nó. Chương trình này hướng dẫn bạn qua các nền tảng của mạng nhạy cảm (RNN) sử dụng Python, cho phép bạn mô hình hóa dữ liệu thay đổi theo thời gian. Bạn sẽ chuyển từ việc hiểu các khái niệm cơ bản về mạng nơron sang viết mã Python sạch, sẵn sàng cho việc sản xuất để dự đoán chuỗi. Bằng cách nghiên cứu các giải thích rõ ràng, viết và thực hiện từng bước các đoạn mã, bạn sẽ có sự tự tin để thiết kế, huấn luyện, và đánh giá các mô hình lặp lại. Bạn sẽ học được gì: Hiểu các khái niệm học sâu cơ bản và cơ học của xử lý dữ liệu theo trình tự; Tạo các mạng nơron lặp đi lặ p lại tiêu chuẩn (RNN) từ đầu để nắm bắt các hoạt động bên trong của chúng; Thực hiện các mạng bộ nhớ ngắn hạn dài (LSTM) và các đơn vị lặm đi lắp lại (GRU) để giải quyết vấn đề gradient biến mất; Ứng dụng Python hiện đại gói và gõ gợi ý để viết mã học sâu sạch, có thể duy trì; Thực hành xử lý trước văn bản và các tập dữ liệu chuỗi thời gian cho các nhiệm vụ chuỗi đến chuỗi; Tìm hiểu cách kiến trúc lặp lại đặt nền tảng cho các mô hình Transformer hiện đại. Chương trình bắt đầu với thuật ngữ cơ bản, các khái niệm toán học cơ bản và định nghĩa cơ bản của kiến trúc theo trình tự. Sau đó bạn sẽ tiến hành qua các bài học có cấu trúc, khám phá các ứng dụng thực tế bằng cách sử dụng các khung học sâu phổ biến. Chương trình này được thiết kế cho người mới học sâu và lập trình viên Python muốn chuyên về mô hình trình tự; không cần kinh nghiệm trước với mạng nơron. Bắt đầu đọc ngay hôm nay để khám phá sức mạnh của học sâu trình tự trong Python.