Dans ce projet d'une durée de 2 heures, vous apprendrez à analyser un jeu de données pour l'analyse des sentiments. Vous apprendrez à lire un modèle BERT de PyTorch, et à ajuster l'architecture pour une classification multi-classes. Vous apprendrez à ajuster un optimiseur et un planificateur pour un entraînement et des performances idéales. En affinant ce modèle, vous apprendrez à concevoir une boucle d'entraînement et d'évaluation pour surveiller les performances du modèle pendant son entraînement, y compris la sauvegarde et le chargement des modèles. Enfin, vous construirez un modèle d'Analyse des sentiments qui exploite les connaissances linguistiques à grande échelle de BERT. Note : Ce cours fonctionne mieux pour les apprenants qui sont basés dans la région de l'Amérique du Nord. Nous travaillons actuellement à offrir la même expérience dans d'autres régions.
Analyse de sentiments avec Deep Learning en utilisant BERT
Analyse de sentiments avec Deep Learning en utilisant BERT
Instructeur : Ari Anastassiou
16 566 déjà inscrits
Inclus avec
(398 avis)
Expérience recommandée
Ce que vous apprendrez
Prétraitement et nettoyage des données pour la classification de l'ORET
Chargement d'un BERT pré-entraîné avec une couche de sortie personnalisée
Former et évaluer une architecture BERT finement réglée sur votre propre énoncé du problème
Compétences que vous pratiquerez
- Catégorie : Analyse exploratoire des données
- Catégorie : Modélisation des grandes langues
- Catégorie : Modèle de formation
- Catégorie : Optimisation du modèle
- Catégorie : Apprentissage automatique
- Catégorie : Mise au point
- Catégorie : Prétraitement des données
- Catégorie : Apprentissage par transfert
- Catégorie : Évaluation du modèle
- Catégorie : Données d'essai
- Catégorie : Traitement du langage naturel
- Catégorie : Nettoyage des données
- Catégorie : Apprentissage profond
Outils que vous utiliserez
- Catégorie : PyTorch (Bibliothèque d'apprentissage automatique)
Détails à connaître
Ajouter à votre profil LinkedIn
Disponible uniquement sur ordinateur
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Apprendre, pratiquer et appliquer des compétences prêtes à l’emploi en moins de 2 heures
- Bénéficiez d’une formation par des experts du secteur
- Gagnez en expérience pratique en effectuant des tâches professionnelles du monde réel
- Renforcez votre confiance en utilisant les outils et technologies les plus récents
À propos de ce Projet Guidé
Apprendrez étape par étape
Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :
Introduction à l'ORET et au problème posé
Analyse exploratoire des données (AED) et Prétraitement
Séparation de la formation et de la validation
Chargement du tokenizer et encodage de nos données
Configuration du modèle pré-entraîné de l'ORET
Création de chargeurs de données
Configuration de l'optimiseur et du planificateur
Définir nos indicateurs de performance
Créer notre boucle de formation
Chargement et évaluation de modèles
Expérience recommandée
Utilisateurs intermédiaires de Python avec une certaine exposition à NumPy, Pandas et PyTorch.
2 images de projet
Instructeur
Offert par
Méthode d’apprentissage
Apprentissage pratique basé sur les compétences
Mettez en pratique de nouvelles compétences en effectuant des tâches professionnelles.
Conseils d’experts
Suivez les vidéos pré-enregistrées d’experts à l’aide d’une interface unique, divisée en deux.
Aucun téléchargement ou installation requis(e)
Accédez aux outils et aux ressources dont vous avez besoin dans un espace de travail cloud préconfiguré.
Disponible uniquement sur ordinateur de bureau
Ce Projet Guidé est conçu pour les ordinateurs portables ou de bureau disposant d’une connexion internet fiable, et non pour les appareils mobiles.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Jennifer J.
Larry W.
Chaitanya A.
Avis des étudiants
- 5 stars
62,40 %
- 4 stars
25,56 %
- 3 stars
8,02 %
- 2 stars
2 %
- 1 star
2 %
Affichage de 3 sur 398
Révisé le 25 sept. 2021
I like this project and help me a lot to understand how to do Sentiment Analysis with BERT Model
Révisé le 12 oct. 2020
Clean, clear and helpful. Thanks a lot!Would also be nice to see the approaches to tune BERT for the particular task (e.g. custom tokenization, pre-processing of data, etc.)
Révisé le 30 juin 2020
Required detail explanation and faculy support for error soliving and explroing alternative
Vous aimerez peut-être aussi
Statut : Gratuit
Statut : Essai gratuit
Statut : Essai gratuit
Statut : Essai gratuit
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
