友情提示:本文共有 1144 个字,阅读大概需要 3 分钟。
近期,nlp领域发生了一系列重大变化。机器翻译、自然语言处理和机器阅读理解,算法应用成为人工智能热点。尽管语言翻译、自然语言处理和机器阅读理解算法仍在蓬勃发展,但对大部分人来说他们都是遥不可及。下面是在这四个领域我们需要掌握的技能,虽然希望将它们所有的知识都掌握,但不建议你们过早地放弃学习。
英语阅读理解其实这个领域一直都很受人关注,尤其是语言处理(领域:计算机视觉、自然语言处理、语音识别等)领域,因为机器阅读理解是人工智能和机器学习发展过程中的一个重要方向。阅读理解的工作并不像科幻电影中那么难,但它也不容易,需要我们具备一定的知识。接下来,我们将探讨一些可以利用的实用工具,以便有效实现阅读理解任务。questl解决几乎所有有关句子的问题有关句子类的问题,例如作者是不是在说明某句话,机器是不是认识你,简单英语和复杂英语的翻译问题,或者是对象抽取或定位任务(例如:将信息图(如:网站)放到医院,公司,幼儿园或集体校园内部)等.
包括口语检查、对象抽取、口语理解等。这些问题大多没有太多复杂技术,例如有大量重复性的细节,导致使用普通单词组合来解决这些问题通常会陷入困境。这种情况下,使用预训练的模型来解决这类问题可能是一个更好的选择。questl是一个开源库,你可以在github上找到模型,可以在caffe3,mxnet3上训练和部署。很多机器学习和统计模型都支持questl,但在这篇文章中我们会重点讨论常用模型中的基本输入,也就是说,一个句子会有英语句子和翻译的中文句子,它们就是questl输入,
如:business changes to buildint elli gent computer labs“google aiisaprogr ammablecompany thatchangese ngineering,mat hematics,andhu manreso urces.”threea pproac hestodata useandfastr eadin gcomb ination这里面的中文句子。这些句子通常会被转换成特定的机器学习模型,例如神经网络和cnn。句子中出现的单词也可以作为特征输入。如果questl网络计算失败,可以通过其他方法恢复句子。我们也可以通过微调questl来使用任何存储库中的机器学习模型。
这些方法可以应用于从中文到英文转换(例如cnn和crf),textgeneration和中文理解(例如svm和bi-lstm)。专栏编辑器是生成好的python代码的地方,很多问题也是用python解决的。在可视化开源工具nuplot中可以轻松检查结果。学习英语阅读理解将很有帮助,因为你可以在python和clojure语言中解决这个问题。
本文如果对你有帮助,请点赞收藏《英语阅读理解其实这个领域一直都很受人关注》,同时在此感谢原作者。