Лекция. Введение в NLP.

Занятие ведёт Антон Астахов.

Серия "Введение в NLP"

00:00 Начало
04:38 Пайплайн предобработки текста
05:00 Токенизация
05:23 Нормализация слов
07:28 Удаление слов
09:00 Примеры задач NLP
11:56 Выделение признаков
12:30 Простой способ: One-Hot Encoding
13:47 Проблемы One-Hot Encoding
14:42 Bag of Words
15:40 Проблемы Bag of Words
16:39 TF-IDF
23:03 TF-IDF на примере
24:54 Коллокация
25:32 Pointwise mutual information (PMI)
27:49 PMI на примере
28:26 Продвинутый способ: Context Embeddings
30:17 Context Embeddings на примере
31:36 Проблемы Context Embeddings
32:37 Singular Value Decomposition (SVD)
39:42 Классификация текстов
42:18 Повторение. Методы классификации текстов
44:51 CNN в классификации текстов
48:31 Конец
---
Deep Learning School при ФПМИ МФТИ
Каждые полгода мы запускаем новую итерацию нашего двухсеместрового практического онлайн-курса по глубокому обучению. Наборы проводятся в августе-сентябре и январе-феврале.

За нашими новостями можно следить здесь:

ФПМИ МФТИ

[bluxer]

Просто глаза открыли на то, как дела делаются. Серьёзно)

[МаксимГилёв-йй]

Второй по качеству препод после Гайнцевой. Респект Антону.

[zlataafanaseva]

Ух ты! Это лучший по структуре материал из всех мной изученных (Нетология и OTUS) и бесплатно! Успехов молодому лектору!

[ШамильНуркаев-щъ]

Таймкоды:

00:00 Начало
04:38 Пайплайн предобработки текста
05:00 Токенизация
05:23 Нормализация слов
07:28 Удаление слов
09:00 Примеры задач NLP
11:56 Выделение признаков
12:30 Простой способ: One-Hot Encoding
13:47 Проблемы One-Hot Encoding
14:42 Bag of Words
15:40 Проблемы Bag of Words
16:39 TF-IDF
23:03 TF-IDF на примере
24:54 Коллокация
25:32 Pointwise mutual information (PMI)
27:49 PMI на примере
28:26 Продвинутый способ: Context Embeddings
30:17 Context Embeddings на примере
31:36 Проблемы Context Embeddings
32:37 Singular Value Decomposition (SVD)
39:42 Классификация текстов
42:18 Повторение. Методы классификации текстов
44:51 CNN в классификации текстов
48:31 Конец

[oanovitskij]

Конечно, объяснение про появление формулы через logP притянуто.т. е. то, что написано - это вероятность подряд ndw раз вытащить документ со словом w с возвратами.

[Epimetey]

Лектор иногда прыгает с одного слайда на другой и назад с огромной скоростью - просто болят глаза смотреть.

[gunner]

Не дай Бог таких лекторов в институтах. 😂

[wisedoctor]

Если слово встречается во всех документах, то Nw == N, а значит Nw/N = 1. Единица в любой степени единица, значит встретить это слово в документе 1 раз и 100 раз можно с одинаковой вероятностью равной единице?

[proskurlandsky]

Матрица слово-слово же симметричная должна быть?

[oanovitskij]

А вот p малое как раз не вероятность встретить слово в документе, а вероятность встретить документ с этим словом

[natalias]

Слушать очень трудно. Слова-паразиты, запинки, оборванные фразы, перескакивания. Работайте над речью и правильным литературным изложением, если беретесь преподавать. Недостаточно просто иметь знания, чтобы их донести. Другой преподаватель курса, Татьяна - любо дорого послушать, ясно, четко, на хорошем языке.

[kseniiakol]

Непонятно, как на 24й минуте считается IDF. Откуда взялся в логарифме взялось 2/2? Что это за двойки?