Представление текста вектором One Hot Encoding | Нейросети для анализа текстов

Представление текста в виде вектора One Hot Encoding для анализа нейронной сетью. Страница курса - www.asozykin.r...
Лекция "Представление текста в цифровом виде для нейросети" - • Представление текста в...
Лекция "Анализ тональности отзывов на фильмы IMDB" - • Анализ тональности отз...
Ссылка на ноутбук в Colaboratory - colab.research...
Как можно поддержать курс:
1. Яндекс Кошелек - money.yandex.r...
2. PayPal - www.paypal.me/...
Заранее спасибо за помощь!
Добавляйтесь в друзья в социальных сетях:
вКонтакте - avsozykin
Instagram - / sozykin_andr
Facebook - / asozykin
Twitter - / andreysozykin
Мой сайт - www.asozykin.ru
Мой канал с краткими и понятными объяснениями сложных тем в ИТ и компьютерных науках - / andreysozykincs

[@AndersonSilva-dg4mg]

Я еще не приступал к курсу по нейронным сетям, но пришел сказать спасибо! В будущем пригодится.

[@AndreySozykin]

Пожалуйста! Надеюсь, что действительно пригодится.

[@Lasteg]

Андрей, вы крутой, спасибо, сначала прошёл курс на openedu, впечатлившись как прикольно объясняете, а потом чисто случайно нашёл ваш ютуб

[@AndreySozykin]

Рад, что курс на OpenEdu понравился. Там скоро откроется еще один раздел по NLP.

[@user-ms8wc3ql2f]

Андрей, очень круто! Благодарю Вас за Ваш огромный труд!

[@sergafanasiev7956]

Лучший автор в российском сегменте!

[@AndreySozykin]

На мой взгляд, это преувеличение. Но все равно спасибо!

[@RustemShaimagambetov]

Ну просто 🔥🔥🔥

[@AndreySozykin]

Спасибо!

[@Gleb_Pastushenko]

Здравствуйте. Почему на 3:08 после единицы точка? По идее нам нужна единичка "полегче" типа одинарного целого.

[@ccfytrr]

В sklearn есть встроенный класс для кодирования OneHotEncoding. sklearn.feature_extraction.text.CountVectorizer. Его можно использовать вместо функции vectorize_sequences. По умолчанию в метод fit нужно подавать список текстов, которые будут поделены на токены автоматически. В примере из видео токенизация уже произведена, поэтому в параметрах конструктора нужно ее отключить. Для этого убираем analyzer. Пусть он просто возвращает элементы последовательности. По умолчанию CountVectorizer возвращает количество раз, когда токен встречался в тексте. Нам же нужно, что б он возвращал 1, если токен встречается хотя бы раз. Для этого надо добавить параметр binary=True. В итоге аналог функции vectorize_sequences будет выглядеть так: vectorizer = CountVectorizer(binary=True, analyzer=lambda x: x, max_features=10000) x_train=vectorizer.fit_transform(x_train).toarray() Последняя строка вернет объект scipy.sparse.csr_matrix. Что бы представить ее в виде массива надо вызвать метод toarray()

[@AndreySozykin]

Да, так тоже можно делать. Я стараюсь не уходить далеко от Keras и TensorFlow, чтобы не запутывать людей на этапе изучения.

[@johntheripper2553]

@@AndreySozykin Андрей, спасибо Вам большое за ваш труд. Подскажите, правильно ли я понимаю , что чтобы реализовать BoW надо вместо =1 в функции векторизатора написать +1?

[@user-ho1qm2xc8t]

the best

[@AndreySozykin]

Thank you!

[@levran4ik]

Очень полезно! Пожалуйста покажите работу с LSTM сетью - представляется эффективность должна быть выше?

[@AndreySozykin]

Про LSTM обязательно расскажу.

[@user-zh5ro2wg8m]

Надо сказать, ваше неторопливо-размеренная речь лучше помогает понимать материал. Спасибо огромное за ваш труд! Но представленное в лекции кодирование - не назывется one-hot-enconing (когда в кодовом представлении каждого объекта только одна единица, остальные - нули. В данном случае каждому комментарию сопоставляется вектор, в котором может быть более одной единицы, это более общий случай двоичного кода, но не унитарный (не one-hot)).

[@prokazzza8402]

Здравствуйте Андрей. Помогите разобраться как извлечь набор данных из текстового файла для построчного разбиения этих данных на столбцы и преобразования их в числовые значения. Для дальнейшего создания нейронной сети по этим данным.

[@AndreySozykin]

Обычно для этого используется библиотека pandas.

[@prokazzza8402]

@@AndreySozykin я знаю. Я как раз ее сейчас изучаю. Но у меня почему-то в строках неправильно происходить разбиение на столбцы по разделителю ',' часть разделителей просто пропускается. Вот к примеру одна из строк в которой пропускается разделитель в конце перед временем - Nelaime,+3% (669),BBC Bayreuth - Brose Bamberg,Under 169.5 (Game Totals) @ 1.91,"Basketball / Germany / Kick off: 24 Sep 2019, 21:00"

[@AndreySozykin]

pandas считает текст в кавычках одним полем. Время внутри кавычек, поэтому оно не выделяется.

[@Morkovka7777]

One-hot encoding представляет вектор, где наличие/отсутствие слова в векторе обозначается 1/0?

[@AndreySozykin]

Да, именно так.

[@user-qc2rr2qb3c]

"Ни**я не понятно, но очень интересно"