Types of Natural Language Processing

Bonjour et bienvenue à nouveau au cours sur le traitement approfondi du langage naturel et à la discussion philippique sur les types de traitement du langage naturel. Nous avons donc deux diagrammes de Venn ici ou nous avons un diagramme de Venn de deux cercles et nous allons examiner les différents domaines du traitement du langage naturel qui vont apparaître dans ce cours. Donc à gauche du traitement du langage naturel dans son ensemble et cela se réfère à tout le cercle à gauche. Donc, la raison pour laquelle nous avons appelé juste cette grande partie est parce que cette partie ne se chevauche pas. Nous savons donc que tout ici n'est que du traitement du langage naturel. Nous avons évolué au mépris du deuxième cercle. Mais le traitement du langage naturel est en effet tout ce qui se trouve dans ce cercle. Ensuite, nous avons le bon apprentissage en profondeur. Ce sont donc tous des algorithmes qui ont quelque chose à voir avec l'apprentissage profond des réseaux de neurones. Fondamentalement, tout ce qu'on appelle un plus profond ou un algorithme tombe ici. Ils n'ont pas besoin d'être un traitement en langage naturel. Ils peuvent être une classification, ils peuvent être n'importe quoi, donc ils peuvent être plus profonds ici et le traitement du langage naturel est tout algorithme mortel qui a quelque chose à voir avec le traitement du langage naturel en termes de machine. Et puis finalement dans le chevauchement nous avons profond et tout. Ce sont donc des modèles qui ont à voir avec le traitement du langage naturel, mais qui sont aussi des apprentissages profonds qui sont des réseaux de neurones. Et c'est donc la partie que nous allons viser, mais c'est aussi très bien d'avoir la visibilité des trois. Parce que dans ce cours, nous parlerons de certains modèles qui tombent juste ici et ensuite nous parlerons de ceux ici et ce sera bien de comparer et de voir comment le monde a changé au fil du temps et pourquoi ces modèles sont souvent meilleurs que ces modèles. Et l'autre chose à noter ici est que la taille de ces diagrammes ne reflète pas l'importance ou les volumes de ces différents champs donc j'ai juste dit des cercles sur la même taille simplement parce que nous voulons une représentation visuelle de tous les chevauchements et que ceux-ci les champs existent mais ne tiennent pas compte de la taille. Ce n'est pas du tout à l'échelle. Et enfin, il y a une autre partie une autre partie de ce diagramme d'événements qui est très important pour nous et c'est cette partie ici une sous-section de la séquence profonde et Piccola à séquencer afin que les séquences séquencent les modèles des plus avant-gardistes les modèles les plus puissants qui existent actuellement pour le traitement du langage naturel. Et c'est ce que nous allons examiner. Donc, comme vous le verrez tout au long de ce cours, nous nous dirigerons à travers le traitement du langage naturel et approfondirons O. P. puis nous irons en séquence à séquence. Ce sera un voyage amusant et excitant. Et l'autre chose que je voulais mentionner est que vous remarquerez également que tout au long de ce cours, même s'il est axé sur Chadwell, nous ne parlerons donc pas uniquement de robots de discussion. Nous examinerons différents exemples de la façon dont ces modèles d'ici ou d'ici et d'ici peuvent être appliqués à différentes choses, car les applications sont énormes. Nous pensons que nous pouvons les appliquer dans une traduction naturelle de neuro-machine, nous pouvons les appliquer dans le sous-titrage d'images, nous pouvons les appliquer dans les questions de reconnaissance vocale et les réponses résumant beaucoup et beaucoup de modèles, donc nous allons en examiner différents et ils seront de différents types . Donc, cette carte sera utile au fur et à mesure que nous suivons le cours et elle apparaîtra ici et là. Je pense donc qu'il était très important pour nous de jeter les bases afin que nous soyons maintenant prêts à procéder. Et j'ai hâte de vous voir sur le prochain tutoriel et jusque-là profiter du traitement du langage profond et naturel.