2 dépôts
Awesome GitHub RepositoriesConvolutional Text Features
The use of convolutional neural networks to extract hierarchical spatial patterns from text data.
Distinct from Text Feature Extraction: Distinct from Text Feature Extraction: specifically targets the use of CNNs for feature extraction rather than general vectorization.
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Convolutional Text Features. Refine with filters or upvote what's useful.
Awesome Convolutional Text Features GitHub Repositories
Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
- nyandwi/machine_learning_complete
Nyandwi/machine_learning_complete
4,983Voir sur GitHubThis is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi
Uses convolutional layers to identify hierarchical patterns in text for category prediction.
Jupyter Notebookcomputer-visiondata-analysisdata-science - gaussic/text-classification-cnn-rnn
gaussic/text-classification-cnn-rnn
4,301Voir sur GitHubCe projet est un catégoriseur de texte supervisé basé sur TensorFlow conçu pour le traitement du langage naturel chinois. Il utilise une architecture de réseau de neurones hybride qui combine des couches convolutionnelles et récurrentes pour mapper du texte chinois brut vers des catégories prédéfinies. Le système intègre des réseaux de neurones convolutionnels pour l'extraction de caractéristiques locales et des réseaux de neurones récurrents pour analyser les dépendances séquentielles. Il emploie une tokenisation au niveau des caractères et des embeddings de mots pour représenter le texte sous forme de tenseurs numériques. L'implémentation couvre le pipeline d'apprentissage automatique de bout en bout, incluant le prétraitement du texte, l'entraînement itératif du modèle avec régularisation par dropout, et la mesure de performance prédictive utilisant des métriques de perte et de précision. Il inclut également des utilitaires pour suivre la progression de l'entraînement et maintenir l'état du modèle via des checkpoints.
Extracts hierarchical spatial patterns and local features from text using CNNs.
Pythonchineseclassificationcnn
