شبکه عصبی LSTM چیست؟ شبکه عصبی LSTM یا Long-Short Term Memory (حافظه بلندمدت - کوتاهمدت)، یک نوع شبکه عصبی بازگشتی (Recurrent Neural Network) RNN محسوب میشود که مشکل ناپدیدشدن گرادیان (...
شبکه عصبی LSTM چیست؟
شبکه عصبی LSTM یا Long-Short Term Memory (حافظه بلندمدت - کوتاهمدت)، یک نوع شبکه عصبی بازگشتی (Recurrent Neural Network) RNN محسوب میشود که مشکل ناپدیدشدن گرادیان (Vanishing Gradient) را حل کرد. این شبکه در به یادگیری وابستگیهای طولانیمدت عالی عمل میکند و به دلیل داشتن حافظه بلندمدت کاربردهای زیادی دارد، به عنوان مثال، فرض کنید هنگام خواندن یک کتاب میدانید در فصل قبل چه اتفاقی افتاده، RNNها از این خاصیت مغز انسانها الهام گرفتهاند و به همین شکل کار میکنند و گذشته را بهخاطر میسپارند.
اهمیت یادگیری دستهبندی اخبار جعلی با LSTM در پایتون چیست؟
همانطور که مشخص است تمامی خبرها چه اخبار واقعی Real و چه اخبار جعلی Fake میتوانند بر افکار عمومی تاثیر بهسزایی داشته باشد، حال تصور کنید خبری منتشر شده که ماهیتی دروغین دارد و واضح است که این نوع اخبار در زمانهایی حساس و در مورد مسائلی مهم پخش و منتشر میشوند، اینکه ما با استفاده از یک مجموعه داده مدلی را درست کنیم که خبرهای جعلی را از واقعی تشخیص دهد یک پروژه کاربردی و در عین حال جذاب به شمار میآید که برای دنیای امروز بسیار ضروری است. میتوانیم با انتخاب یک الگوریتم مانند شبکه عصبی LSTM، تشخیص اخبار جعلی را از اخبار واقعی که در شاخه پردازش زبانهای طبیعی است با استفاده از زبان برنامهنویسی پایتون پیادهسازی کنیم.
در این فرادرس چه چیزی یاد میگیریم؟
در این آموزش، ابتدا با یادگیری عمیق و الگوریتمهای مختلف آن آشنا میشویم، سپس محیط برنامهنویسی و کتابخانههای موردنظرمان در پایتون را معرفی خواهیم کرد، در ادامه مروری بر پردازش زبانهای طبیعی خواهیم داشت تا با ماهیت مسئله تشخیص اخبار جعلی از واقعی آشنا شویم. ما برای انجام پروژه از یک مجموعهداده انگلیسی برچسبخورده استفاده میکنیم، پس با یک مسئله Supervised Learning طرف هستیم. همچنین الگوریتمهای دیگری که میتوانید برای این Task خاص استفاده کنید به شما معرفی خواهد شد و چرایی اینکه ما از شبکه عصبی LSTM (Long-Short Term Memory) استفاده میکنیم را شرح میدهیم. در نهایت پروژه را پیادهسازی کرده و میزان دقت آن را بررسی و تحلیل میکنیم.
هنوز نظری ثبت نشده است.