直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析

栏目: 编程工具 · 发布时间: 5年前

直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析

本周为 将门技术社群第 157 线上分享。

北京时间6月13日 9点 在将门技术社群, 我们很开心邀请到 蒙特利尔大学在读博士生 沈驿康 他将与大家分享的主题是 自然语言模型和无监督语法分析 届时将介绍如何通过无监督语法分析任务来寻找有效的归纳偏置,同时回顾近几年无监督语法分析领域的相关工作。

活动信息

主题: 自然语言模型和无监督语法分析

嘉宾: 蒙特利尔大学  在读博士生  沈驿康

时间:北京时间 6月13日(周四)21 :00

地点:将门创投斗鱼直播间

分享提纲

对于自然语言的处理,目前的主流方法依赖于海量的无监督数据预训练和含有大量参数的模型。这类方法基于迁移学习和表征学习的框架,在很多任务上取得了非常好的效果。但是这类方法所需的大量训练数据也远远超过了人类掌握自然语言所需要的数据量,同时很多工作也对于这类模型的泛化和理解某些语法现象的能力表达了质疑。

本次分享的研究希望通过整合自然语言模型(language modeling)和无监督语法分析(unsupervised parsing)两个任务来探究自然语言建模所需要的合理归纳偏置,从而提升模型理解语言内在结构的能力。 同时回顾近几年无监督语法分析领域的相关工作,并且将进一步讨论语法结构在自然语言处理任务中可能带来的提升。

嘉宾介绍

直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析

沈驿康

蒙特利尔大学 在读博士

沈驿康是加拿大蒙特利尔大学PhD三年级学生,Mila实验室的成员,师从于Aaron Courville教授。他2016年毕业于北京航天航空大学,获得计算机科学硕士学位;2013年于北航取得计算机科学与技术专业工学学士。

他的主要研究方向是 自然语言处理和深度学习 包含自然语言模型,语法分析和深度学习。 他是 首先将深度学习方法成功应用于无监督语法分析的研究者之一 ,并于2018年提出一种全新的基于语法距离(syntactic distance)的语法解析器。随后在ICLR 2019发表论文提出有序神经元(Ordered Neurons),并获得 最佳论文奖

观看直播或加群

长按或扫描下方二维码,关注 “将门创投” 微信公众号(thejiangmen),后台回复“ 入群 ”,获取入群通道及直播地址。

直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析

-The End-

将门 是一家 以专注于 发掘、加速及投资技术驱动型创业公司 的新型 创投机构 ,旗下涵盖 将门创新服务、将门技术社群以及将门创投基金。将门成立于2015年底,创始团队由微软创投在中国的创始团队原班人马构建而成,曾为微软优选和深度孵化了126家创新的技术型创业公司。

将门创新服务 专注于使创新的技术落地于真正的应用场景,激活和实现全新的商业价值,服务于行业领先企业和技术创新型创业公司。

将门技术社群 专注于帮助技术创新型的创业公司提供来自产、学、研、创领域的核心技术专家的技术分享和学习内容,使创新成为持续的核心竞争力。

将门创投基金 专注于投资通过技术创新激活商业场景,实现商业价值的初创企业,关注技术领域包括 机器智能、物联网、自然人机交互、企业计算。 在三年的时间里,将门创投基金已经投资了包括量化派、码隆科技、禾赛科技、 宽拓科技、 杉数科技、迪英加科技等数十家具有高成长潜力的技术型创业公司。

如果您是技术领域的初创企业,不仅想获得投资,还希望获得一系列持续性、有价值的投后服务, 欢迎发送或者推荐项目给我“门”:  bp@thejiangmen.com

直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析     

点击右上角,把文章分享到朋友圈

直播 | 蒙特利尔大学在读博士生沈驿康:自然语言模型和无监督语法分析  

将门创投

让创新获得认可!

微信:thejiangmen

bp@thejiangmen.com

点击“ ❀在看 ”,让更多朋友们看到吧~


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

精通数据科学:从线性回归到深度学习

精通数据科学:从线性回归到深度学习

唐亘 / 人民邮电出版社 / 2018-5-8 / 99.00元

数据科学是一门内涵很广的学科,它涉及到统计分析、机器学习以及计算机科学三方面的知识和技能。本书深入浅出、全面系统地介绍了这门学科的内容。 本书分为13章,最初的3章主要介绍数据科学想要解决的问题、常用的IT工具Python以及这门学科所涉及的数学基础。第4-7章主要讨论数据模型,主要包含三方面的内容:一是统计中最经典的线性回归和逻辑回归模型;二是计算机估算模型参数的随机梯度下降法,这是模型工......一起来看看 《精通数据科学:从线性回归到深度学习》 这本书的介绍吧!

HTML 编码/解码
HTML 编码/解码

HTML 编码/解码

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码

HEX HSV 转换工具
HEX HSV 转换工具

HEX HSV 互换工具