AI for Beginners Curriculum ലെ ലാബ് അസൈൻമെന്റ്.
ഈ ലാബിൽ, സ്കിപ്പ്-ഗ്രാം സാങ്കേതിക വിദ്യ ഉപയോഗിച്ച് Word2Vec മോഡൽ ട്രെയിൻ ചെയ്യാൻ ഞങ്ങൾ നിങ്ങളെ വെല്ലുവിളിക്കുന്നു. എൻ-ടോക്കൺ വീതിയുള്ള സ്കിപ്പ്-ഗ്രാം വിൻഡോയിൽ സമീപവർത്തി വാക്കുകൾ പ്രവചിക്കാൻ എംബെഡിംഗ് ഉപയോഗിച്ച് ഒരു നെറ്റ്വർക്ക് ട്രെയിൻ ചെയ്യുക. നിങ്ങൾക്ക് ഈ പാഠത്തിൽ നിന്നുള്ള കോഡ് ഉപയോഗിച്ച് ചെറിയ മാറ്റങ്ങൾ വരുത്താം.
നിങ്ങൾക്ക് ഏതെങ്കിലും പുസ്തകം ഉപയോഗിക്കാം. Project Gutenberg ൽ നിരവധി സൗജന്യ ഗ്രന്ഥങ്ങൾ ലഭ്യമാണ്, ഉദാഹരണത്തിന്, ലൂയിസ് കാരോൾ എഴുതിയ Alice's Adventures in Wonderland എന്ന ഗ്രന്ഥത്തിന് നേരിട്ട് ലിങ്ക് ഇതാ. അല്ലെങ്കിൽ, ഷേക്സ്പിയറിന്റെ നാടകങ്ങൾ ഉപയോഗിക്കാം, താഴെ കൊടുത്തിരിക്കുന്ന കോഡ് ഉപയോഗിച്ച് അവ ലഭിക്കും:
path_to_file = tf.keras.utils.get_file(
'shakespeare.txt',
'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt')
text = open(path_to_file, 'rb').read().decode(encoding='utf-8')നിങ്ങൾക്ക് സമയം ഉണ്ടെങ്കിൽ, വിഷയം കൂടുതൽ ആഴത്തിൽ പഠിക്കാൻ താഴെ പറയുന്ന കാര്യങ്ങൾ പരീക്ഷിക്കാം:
- എംബെഡിംഗ് വലുപ്പം ഫലങ്ങളെ എങ്ങനെ ബാധിക്കുന്നു?
- വ്യത്യസ്ത വാചക ശൈലികൾ ഫലത്തെ എങ്ങനെ ബാധിക്കുന്നു?
- വളരെ വ്യത്യസ്ത തരം വാക്കുകളും അവയുടെ സമാനാർത്ഥകങ്ങളും എടുത്ത്, അവയുടെ വെക്ടർ പ്രതിനിധാനങ്ങൾ നേടുക, PCA ഉപയോഗിച്ച് 2-ആയിരിക്കും വരെ അളവുകൾ കുറച്ച് 2D സ്ഥലത്ത് പ്ലോട്ട് ചെയ്യുക. നിങ്ങൾക്ക് ഏതെങ്കിലും പാറ്റേണുകൾ കാണാമോ?
അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.