Representasi Teks
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
- 3 pelajaran
- 50 min
- 4 simulasi
Embedding kalimat, database vektor, dan mengevaluasi retrieval — fondasi pencarian modern dan RAG.
Ini simulasi asli dari modulnya. Tanpa akun.
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)Dari vektor kata ke vektor kalimat, dan model yang dilatih untuk kemiripan.
Pencarian tetangga terdekat yang cepat, indeks, dan filter metadata.
Menggabungkan kata kunci dan makna, lalu mengukur hasilnya.
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.