Prijenosno učenje s Word2Vec
Prijenosno učenje s Word2Vec koristi unaprijed obučene vektorske prikaze riječi na velikim tekstualnim korpusima putem ciljeva Skip-gram ili CBOW koje su predstavili Mikolov et al. (2013.) za inicijalizaciju sloja za ugradnju (embedding layer) ciljnog NLP modela. Ovaj pristup prenosi distribucijska semantička znanja na zadatke gdje je označenih podataka malo, dosljedno nadmašujući slučajnu inicijalizaciju.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems (NIPS), 26, 3111-3119. link ↗
- Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1746-1751. DOI: 10.3115/v1/D14-1181 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/hr/deep-learning/transfer-learning-with-word2vec
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Word2Vec prilagođenih parametaraDuboko učenje↔ compare
- LDA model temaDuboko učenje↔ compare
- Rekurentna neuronska mrežaDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Prenosno učenje s klasifikacijom utemeljenom na BERT-uDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →