Representasi Teks
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
- 3 pelajaran
- 50 min
- 4 simulasi
Encoder, decoder, BERT dan GPT — arsitektur yang mengubah NLP, dan cara memakai model pralatih.
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)BERT memahami, GPT menghasilkan — dan kenapa perbedaannya ada di mask attention.
Pra-pelatihan, fine-tuning, dan memilih model dari ribuan yang tersedia.
Pipeline, tokenizer, dan Trainer — dari nol ke model yang berjalan.
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.
Embedding kalimat, database vektor, dan mengevaluasi retrieval — fondasi pencarian modern dan RAG.