Saltar al contenido

Análisis de Sentimientos con Redes Neurales Recurrentes en TensorFlow

Sección Introducción Transcripciones

Resumen del curso

Análisis de Sentimientos con Redes Neurales Recurrentes en TensorFlow
Análisis de Sentimientos con Redes Neurales Recurrentes en TensorFlow

Hola, mi nombre es Janani Ravi. Bienvenidos a este curso de análisis de sentimientos usando la red neural recurrente en TensorFlow. Un poco sobre mí. Tengo una maestría en ingeniería eléctrica de Stanford, y he trabajado en empresas como Microsoft, Google y Flipkart. En Google, fui uno de los primeros ingenieros que trabajó en la edición colaborativa en tiempo real en Google Docs, y tengo cuatro patentes por sus tecnologías subyacentes. Actualmente trabajo en mi propia empresa, Loony Corn, un estudio de contenido de video de alta calidad. Las redes neuronales recurrentes son una forma versátil y poderosa de red neuronal, muy útil para aplicaciones que necesitan considerar el contexto. Las RNN son ideales para considerar secuencias de datos, cuadros en una película, frases en un párrafo, o retornos de stock en un período. Para que los RNNs trabajen en secuencias de texto, primero construimos incrustaciones de palabras, una representación numérica de palabras para alimentar una red neuronal. La generación de incrustaciones de palabras es una operación de computación pesada, que puede ser optimizada utilizando una función especial de pérdida, el estimador de contraste de ruido. Los RNNs son especialmente adecuados para ser usados en aplicaciones de procesamiento de lenguaje natural, y este curso utiliza los RNNs para construir un complejo sistema de clasificación de sentimientos. Utilizamos una arquitectura específica de RNN conocida como el LSTM, o la memoria a largo plazo. Esta arquitectura supera un problema conocido que sufren los RNNs, la inestabilidad durante la optimización, el problema de las variantes de desaparición y explosión.