Representasi Teks
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
- 3 pelajaran
- 50 min
- 4 simulasi
Slang, campur kode, bahasa daerah, dan sumber daya seperti IndoNLU — ditutup dengan satu proyek akhir.
Hanya saran, tidak pernah mengunci — Anda bisa mulai di sini.
Judul dan ringkasan setiap pelajaran terbuka untuk umum. Isi pelajarannya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di Natural Language Processing (NLP)Singkatan, slang, imbuhan, dan campuran bahasa Indonesia–Inggris.
Dataset, benchmark, dan model pralatih untuk bahasa Indonesia.
Sentimen dan topik dari ulasan e-commerce, dievaluasi dan siap dipakai.
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
Analisis sentimen, deteksi topik, dan routing tiket — dari TF-IDF + regresi logistik sampai fine-tuning transformer.
Named entity recognition, ekstraksi relasi, dan mengubah dokumen bebas menjadi data terstruktur.
Encoder, decoder, BERT dan GPT — arsitektur yang mengubah NLP, dan cara memakai model pralatih.