Word embeddings. Word2Vec. Глубокое понимание на практических примерах

Хотите понять, как компьютеры «понимают» слова? В этом видео простым языком рассказывается, как слова превращаются в числа с помощью Word2Vec и других методов. Вы узнаете, как работают модели типа CBOW и Skip-gram, зачем нужна отрицательная выборка и как из выражения вроде «король - мужчина + женщина» получается «королева». Телеграм канал: https://t.me/dmitrybuslov Ссылка на файл для практики: https://github.com/mrbuslov/llm-roadmap/blob/main/middle/embeddings/Word%20embeddings%20as%20vectors.py Мы покажем, как всё это реализуется на Python, что такое эмбеддинги, зачем выбирать правильный размер окна и вектора, и как это помогает создавать умных чат-ботов и анализировать тексты. Подойдёт всем, кто только начинает погружаться в тему НЛП и машинного обучения. --- 00:00 – Вступление: Зачем превращать слова в числа? 01:10 – Проблема с простым присвоением номеров словам 02:19 – Что такое эмбеддинги слов? 03:01 – Как нейросети создают эмбеддинги 04:55 – Word2Vec: объяснение CBOW и Skip-gram 06:32 – Negative Sampling в Word2Vec 08:24 – Программирование Word2Vec: параметры и обучение 13:12 – Оценка эмбеддингов: схожесть и аналогии 17:17 – Практические советы для использования NLP в продакшене