آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس ؛ جمع‌بندی فصل اول (قسمت دهم)
در این بخش از آموزش پردازش زبان طبیعی به جمع‌بندی فصل اول خواهیم پرداخت. پیش‌تر در این آموزش که هر هفته در سایت هوشیو منتشر می‌شود، به موضوعاتی از قبیل تنظیم محیط کار، مفهوم پردازش زبان طبیعی، آشنایی با ترنسفورمرها، روش کار آن‌ها و این‌که چه می‌کنند، مدل های رمزنگار، مدل های رمزگشا، مدل های توالی به توالی و بایاس و محدودیت پرداخته شده و شما می‌توانید از طریق لینک انتهای مطلب به این قسمت‌ها دسترسی داشته باشید. همچنین منتشر انتشار فصل دوم از سری آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس باشید. فصل دوم مطابق با فصل اول و هفته‌ای یک قسمت خواهد بود که از هفته آینده منتشر خواهد شد.
جمع‌بندی فصل اول
به عنوان جمع‌بندی فصل اول باید گفت در این فصل دیدیم که چطور می‌توان مسائل مختلف حوزه پردازش زبان طبیعی (NLP) را با استفاده از روال‌های پردازشی ترنسفورمرها حل کرد. همچنین دیدیم که چطور می‌توان مدل مدنظر را در هاب هاگینگ فیس جستجو کرده و آن را به کار گرفت. علاوه براین، گفتیم که چطور می‌توانید به کمک Inference API مدل‌ها را مستقیماً روی مرورگر خود امتحان کنید.
در این فصل از دوره در خصوص سازوکار پیشرفته مدل‌های ترنسفورمر و اهمیت یادگیری انتقالی و تنظیم دقیق مدل‌ها صحبت کردیم. نکته اصلی این بخش این بود که بسته به نوع مسئله‌ای که در دست دارید می‌توانید از کل معماری ترنسفورمر استفاده کنید و یا بخش رمزنگار و رمزگشا را به صورت مجزا از یک‌دیگر به کار بگیرید. در جدول زیر چکیده این مباحث را مشاهده می‌کنید:
| مدل | مثال | مسائلی که می‌تواند حل کند |
| رمزنگار | ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa | دسته‌بندی جملات، تشخیص نام موجودیت‌ها و یافتن پاسخ سوالات به روش استخراج از متن |
| رمزگشا | CTRL, GPT, GPT-2, Transformer XL | تولید متن |
| رمزنگار-رمزگشا | BART, T5, Marian, mBART | خلاصه‌نویسی، ترجمه، پاسخ به سوالات به روش مولد |
برای دسترسی به دیگر قسمت‌های این آموزش وارد لینک زیر شوید:
[button href=”https://hooshio.com/%D8%B1%D8%B3%D8%A7%D9%86%D9%87-%D9%87%D8%A7/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%B2%D8%A8%D8%A7%D9%86-%D8%B7%D8%A8%DB%8C%D8%B9%DB%8C/” type=”btn-default” size=”btn-lg”]آموزش پردازش زبان طبیعی[/button]
