Lernen Herausforderung: Erstellung von Wort-Einbettungen

Aufgabe

Swipe to start coding

Jetzt ist es an der Zeit, dass Sie ein Word2Vec-Modell trainieren, um Wort-Embeddings für das gegebene Korpus zu generieren:

Importieren Sie die Klasse zur Erstellung eines Word2Vec-Modells.
Tokenisieren Sie jeden Satz in der 'Document'-Spalte des corpus, indem Sie jeden Satz in durch Leerzeichen getrennte Wörter aufteilen. Speichern Sie das Ergebnis in der Variablen sentences.
Initialisieren Sie das Word2Vec-Modell, indem Sie sentences als erstes Argument übergeben und die folgenden Werte als Schlüsselwortargumente in dieser Reihenfolge festlegen:
- Embedding-Größe: 50;
- Kontextfenstergröße: 2;
- minimale Häufigkeit der Wörter, die im Modell enthalten sein sollen: 1;
- Modell: Skip-Gram.
Drucken Sie die Top-3 der ähnlichsten Wörter zum Wort 'bowl'.

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 4

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Aufgabe

Swipe to start coding

Jetzt ist es an der Zeit, dass Sie ein Word2Vec-Modell trainieren, um Wort-Embeddings für das gegebene Korpus zu generieren:

Importieren Sie die Klasse zur Erstellung eines Word2Vec-Modells.
Tokenisieren Sie jeden Satz in der 'Document'-Spalte des corpus, indem Sie jeden Satz in durch Leerzeichen getrennte Wörter aufteilen. Speichern Sie das Ergebnis in der Variablen sentences.
Initialisieren Sie das Word2Vec-Modell, indem Sie sentences als erstes Argument übergeben und die folgenden Werte als Schlüsselwortargumente in dieser Reihenfolge festlegen:
- Embedding-Größe: 50;
- Kontextfenstergröße: 2;
- minimale Häufigkeit der Wörter, die im Modell enthalten sein sollen: 1;
- Modell: Skip-Gram.
Drucken Sie die Top-3 der ähnlichsten Wörter zum Wort 'bowl'.

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 4

single

Swipe um das Menü anzuzeigen

Aufgabe

Swipe to start coding

Jetzt ist es an der Zeit, dass Sie ein Word2Vec-Modell trainieren, um Wort-Embeddings für das gegebene Korpus zu generieren:

Importieren Sie die Klasse zur Erstellung eines Word2Vec-Modells.
Tokenisieren Sie jeden Satz in der 'Document'-Spalte des corpus, indem Sie jeden Satz in durch Leerzeichen getrennte Wörter aufteilen. Speichern Sie das Ergebnis in der Variablen sentences.
Initialisieren Sie das Word2Vec-Modell, indem Sie sentences als erstes Argument übergeben und die folgenden Werte als Schlüsselwortargumente in dieser Reihenfolge festlegen:
- Embedding-Größe: 50;
- Kontextfenstergröße: 2;
- minimale Häufigkeit der Wörter, die im Modell enthalten sein sollen: 1;
- Modell: Skip-Gram.
Drucken Sie die Top-3 der ähnlichsten Wörter zum Wort 'bowl'.

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Herausforderung: Erstellung von Wort-Einbettungen