Concepts d'apprentissage automatique

Cette page comprend des guides et des ressources sur les concepts d’apprentissage automatique sous-jacents à Communications Mining, et sont répertoriés dans le tableau suivant:

Guide	Description
Comment les machines apprennent à comprendre les mots : guide d'intégration dans NLP	Comment Communications Mining utilise des intégrations basées sur des transformations pour représenter le texte de manière sémantique et alimenter ses modèles d’apprentissage automatique.
Apprentissage basé sur des invites avec des Transformers	Comment l’apprentissage basé sur les invites avec les modèles Transformer améliore les tâches de traitement des langages naturels.
Efficient Transformers II : Dilarisation des connaissances et affinement	Comment la compilation et l’ajustement des connaissances rendent les modèles NLP basés sur Transformer plus efficaces.
Transformateurs efficaces I : mécanismes d'attention	Comment les mécanismes d'attention rendent les modèles NLP basés sur Transformer plus efficaces.
Modélisation de l'intention hiérarchique profonde non supervisée : obtenir de la valeur sans données d'entraînement	Comment la modélisation hiérarchique non supervisée des intentions extrait la valeur des communications sans données d’entraînement.
Correction des biais d’annotation avec Communications Mining™	Qu’est-ce qui provoque les biais d’annotation dans les modèles d’apprentissage automatique et comment y remédier.
Apprentissage actif : de meilleurs modèles d'ML en moins de temps	Comment l’apprentissage actif réduit l’effort d’annotation nécessaire pour entraîner des modèles d’apprentissage automatique précis.
Tout est dans les chiffres: évaluer les performances du modèle avec des métriques	Comment interpréter les métriques de performances utilisées pour évaluer les modèles d’apprentissage automatique.
Pourquoi la validation du modèle est importante	Importance de la validation du modèle et risques de déploiement d'un modèle non validé.
Comparaison de Communications Mining™ et de Google AutoML pour l’information sur des données conversationnelles	Comment Communications Mining se compare à Google AutoML en matière d'automatisation des processus pilotée par la langage NLP et de renseignements sur les données conversationnelles.