国外最火的深度学习实践课新版发布，100%全新前沿内容

Jeremy 将使用最初在 2018 年课程期间开发的ULMFiT算法，他说这是当今最准确的情绪分析算法。

创建情绪分析模型的基本步骤是：

1、创建语言模型，在大型语料库（例如维基百科）上训练，这里的“语言模型”是学习预测句子的下一个单词的任何模型

2、使用目标语料库（IMDb 电影评论）微调此语言模型

3、删除这个微调语言模型中的编码器，并用分类器替换它。然后，针对最终的分类任务微调这个情绪分析模型。

在进入 NLP 学习之后，我们将通过覆盖表格数据以及协同过滤来完成编码器深度学习的实际应用。

对于表格数据，我们将看到如何使用分类变量和连续变量，以及如何使用 fastai.tabular 模块来设置和训练模型。

然后，我们将看到如何使用类似于表格数据的想法来构建协同过滤模型。

在进入 NLP 学习之后，我们将通过覆盖表格数据以及协同过滤来完成编码器深度学习的实际应用。

对于表格数据，我们将看到如何使用分类变量和连续变量，以及如何使用 fastai.tabular 模块来设置和训练模型。

然后，我们将看到如何使用类似于表格数据的想法来构建协同过滤模型。

进入课程的中段，我们已经研究了如何在每个关键应用领域中创建和解释模型。在课程的后半部分，我们将了解这些模型是如何工作的，以及如何从头开始创建它们。

下面，我们将接触到以下概念：

• 激活

• 参数

• 图层

• 损失函数

第五课：反向传播、加速 SGD、从头开始搭神经网络

在第 5 课中，我们将所有训练组合在一起，以便准确理解反向传播时发生了什么，并利用这些知识从头开始创建和训练一个简单的神经网络。

△ 从头开始训练的神经网络

我们还将看到如何查看嵌入层的权重，以找出电影评论解读模型对从分类变量中学到了什么，让我们避开那些烂片。

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!