Opinie czytelników
Podsumowanie:Książka jest kompleksowym przewodnikiem po transformatorach w przetwarzaniu języka naturalnego (NLP), chwalonym za szczegółowe wyjaśnienia, praktyczne przykłady i aktualne treści dotyczące różnych modeli, takich jak BERT i GPT. Choć stanowi on doskonałe źródło informacji dla osób posiadających podstawową wiedzę na temat głębokiego uczenia się i NLP, może okazać się niewystarczający dla zupełnie początkujących ze względu na zakładaną wcześniejszą wiedzę.
Zalety:⬤ Szczegółowe wyjaśnienia dotyczące transformatorów i modeli takich jak BERT i GPT.
⬤ Silne praktyczne podejście z przykładami kodu i praktycznymi samouczkami.
⬤ Kompleksowe omówienie aplikacji i zadań NLP.
⬤ Dobra struktura dla średnio zaawansowanych i praktyków.
⬤ Aktualne treści na temat najnowszych metod NLP.
Wady:⬤ Zakłada znaczną wcześniejszą wiedzę na temat NLP, potencjalnie czyniąc ją niedostępną dla początkujących.
⬤ Niektóre przykłady kodu nie działają lub wymagają modyfikacji.
⬤ Brak silnego teoretycznego wprowadzenia do Transformers, co może sprawić, że niektóre koncepcje pozostaną niejasne.
⬤ Niektórzy czytelnicy stwierdzili, że jest to raczej zbiór istniejących materiałów niż nowe spostrzeżenia.
⬤ Kilka recenzji wspomina o błędach w formułach i błędach w kodzie.
(na podstawie 32 opinii czytelników)
Oryginalny tytuł:
Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBER
Zawartość książki:
Zostań ekspertem od rozumienia języka AI, opanowując kwantowy skok modeli sieci neuronowych Transformer.
Kluczowe cechy
⬤ Zbuduj i zaimplementuj najnowocześniejsze modele językowe, takie jak oryginalny Transformer, BERT, T5 i GPT-2, wykorzystując koncepcje, które przewyższają klasyczne modele głębokiego uczenia.
⬤ Korzystaj z praktycznych aplikacji w Pythonie przy użyciu Google Colaboratory Notebooks bez konieczności instalowania ich na komputerze lokalnym.
⬤ Poznaj wskazówki treningowe i alternatywne metody rozumienia języka, aby zilustrować ważne kluczowe koncepcje.
Opis książki
Architektura transformatorowa okazała się rewolucyjna, przewyższając klasyczne modele RNN i CNN używane obecnie. Dzięki podejściu "zastosuj jak się uczysz", Transformers for Natural Language Processing szczegółowo bada głębokie uczenie się dla tłumaczeń maszynowych, zamiany mowy na tekst, zamiany tekstu na mowę, modelowania języka, odpowiadania na pytania i wielu innych dziedzin NLP z transformatorami.
Książka przeprowadzi Cię przez NLP z Pythonem i przeanalizuje różne wybitne modele i zbiory danych w ramach architektury transformatorów stworzonej przez pionierów, takich jak Google, Facebook, Microsoft, OpenAI i Hugging Face.
Książka obejmuje trzy etapy szkolenia. Pierwszy etap wprowadza w architektury transformatorów, zaczynając od oryginalnego transformatora, a następnie przechodząc do modeli RoBERTa, BERT i DistilBERT. Poznasz metody szkolenia dla mniejszych transformatorów, które w niektórych przypadkach mogą przewyższać GPT-3. W drugim etapie zastosujesz transformatory do rozumienia języka naturalnego (NLU) i generowania języka naturalnego (NLG). Wreszcie, trzeci etap pomoże ci zrozumieć zaawansowane techniki rozumienia języka, takie jak optymalizacja zbiorów danych sieci społecznościowych i identyfikacja fałszywych wiadomości.
Pod koniec tej książki NLP zrozumiesz transformatory z perspektywy kognitywistyki i będziesz biegły w stosowaniu wstępnie wytrenowanych modeli transformatorów przez gigantów technologicznych do różnych zbiorów danych.
Czego się nauczysz
⬤ Używaj najnowszych wstępnie wytrenowanych modeli transformatorów.
⬤ Zrozumieć działanie oryginalnych modeli Transformer, GPT-2, BERT, T5 i innych.
⬤ Tworzenie programów Python rozumiejących język przy użyciu koncepcji, które przewyższają klasyczne modele głębokiego uczenia.
⬤ Korzystanie z różnych platform NLP, w tym Hugging Face, Trax i AllenNLP.
⬤ Zastosowanie programów Python, TensorFlow i Keras do analizy sentymentu, podsumowywania tekstu, rozpoznawania mowy, tłumaczeń maszynowych i innych.
⬤ Zmierzyć produktywność kluczowych transformatorów, aby określić ich zakres, potencjał i ograniczenia w produkcji.
Dla kogo jest ta książka
Ponieważ książka nie uczy podstaw programowania, musisz znać sieci neuronowe, Python, PyTorch i TensorFlow, aby nauczyć się ich implementacji za pomocą Transformers.
Czytelnicy, którzy mogą odnieść największe korzyści z tej książki, to praktycy głębokiego uczenia się i NLP, analitycy danych i naukowcy zajmujący się danymi, którzy chcą wprowadzić do rozumienia języka sztucznej inteligencji w celu przetwarzania rosnących ilości funkcji opartych na języku.
