Coursera Learner working on a presentation with Coursera logo and
Coursera Learner working on a presentation with Coursera logo and


Cuando un niño nace, se requiere un tiempo para desarrollar la capacidad de hablar y entender. Los niños sólo aprenden el lenguaje que la gente de su entorno hablará. Los humanos pueden aprender idiomas rápidamente por sí mismos, pero los ordenadores no pueden hacer lo mismo. Por ejemplo, se puede entender fácilmente la diferencia entre el gato y el perro, el hombre y la mujer, etc.
Esto sucede porque nuestras redes neuronales son diferentes a las redes neuronales artificiales que tienen las máquinas. Los ordenadores aprenden idiomas de forma diferente a los humanos. Utilizan técnicas de incrustación de palabras para entender el lenguaje de los humanos.

Qué es la incrustación de palabras?

La definición simple de la incrustación de palabras es convertir el texto en números. Para que la computadora entienda el lenguaje, convertimos el texto en forma vectorial para que las computadoras puedan desarrollar conexiones entre los vectores a las palabras y entender lo que decimos. Con la incrustación de palabras, resolvemos problemas relacionados con el procesamiento del lenguaje natural.

Comprensión de la PNL

El procesamiento del Lenguaje Natural ayuda a las máquinas a entender y desarrollar la capacidad de escribir, leer y escuchar lo que decimos. Google, DuckDuckGo, y muchos otros navegadores usan PNL para reducir las barreras lingüísticas entre los humanos y las máquinas. Además, Microsoft Word y Google Translate son aplicaciones de PNL.


Algoritmos de incrustación de palabras

La incrustación de palabras es una representación vectorial y requiere técnicas y algoritmos de aprendizaje automático. Estos algoritmos utilizan redes neuronales artificiales y datos para generar las conexiones de diferentes palabras. Por ejemplo, si un modelo está aprendiendo las palabras “Rey” y “Reina”, la forma de los vectores estará relacionada entre sí. Esto ayuda a la máquina a diferenciar y a la vez relacionar ambas palabras. A continuación comprenderemos tres algoritmos comunes que se pueden utilizar en el aprendizaje automático para la incrustación de palabras.

1.Word2Vec

Word2Vec es el algoritmo más popular para la incrustación de palabras. Este algoritmo utiliza redes neuronales para aprender la incrustación de manera más eficiente. Este algoritmo es en realidad una serie de algoritmos. Puedes usar estos algoritmos para tareas de PNL. Word2Vec sólo usa una capa oculta y la conecta con la red neuronal. Todas las neuronas lineales son las capas ocultas en las neuronas. Para entrenar el modelo, la capa de entrada incluirá el número de neuronas igual a las palabras del vocabulario. El tamaño de la capa de salida y de entrada sigue siendo el mismo. Sin embargo, el tamaño de la capa oculta se establece de acuerdo con los vectores de las dimensiones de las palabras resultantes. Puede realizar la incrustación de palabras con Word2Vec a través de dos métodos. En ambos métodos, se necesitan redes neuronales artificiales. Estos métodos son:

CBOW o Bolsa Común de Palabras

En este método, cada palabra es una entrada, y la red neuronal predice la palabra que se relaciona con el contexto. Por ejemplo, “Me voy a casa en un autobús”. En este ejemplo, introduciremos la palabra “bus” en la red neuronal con el contexto de ir o volver a casa. Entonces la máquina generará un vector que conecta “viajando a casa” con el autobús representado como la fuente de viaje.

Skim Gram

Skim Gram utiliza el mismo truco que un saco común de palabras o cualquier otro algoritmo de aprendizaje por máquina. Como tenemos palabras sin etiquetar, la incrustación de palabras es esencialmente un aprendizaje semi-supervisado. En este método, el algoritmo utiliza palabras vecinas y las etiqueta en consecuencia.

2.GloVe

El algoritmo de Global Vectors for Word Representation o GloVe es bastante similar a Word2Vec. Sin embargo, el método es un poco diferente. GloVe sólo considera la información contextual sobre la base de 1-1. Esto significa que GloVe sólo crea una matriz relacionada palabra a palabra, que incluye la probabilidad P (a | b) viendo la palabra k alrededor de la palabra b.
El principal objetivo de esta técnica es encontrar la representación de los dos vectores de manera que se genere la probabilidad logarítmica de sus productos puntuales igual a la co-ocurrencia. Tienen grandes resultados para relacionar las palabras del contexto entre sí.

3.Capa de incrustación

Esta es la primera capa oculta de la red neural artificial. Esta capa debería especificar tres aumentos.
Entrada tenue
Esto representa el tamaño del vocabulario en los datos del texto. Por ejemplo, si tienes datos con codificación de números enteros y valores de 0 a 10, entonces el tamaño del vocabulario sería 11.
Salida tenue
Representan el tamaño del espacio vectorial. El espacio vectorial sería de las palabras incrustadas. Puede ser 32, 100 o más grande.
Longitud de entrada
Esto representa la longitud de las secuencias de entrada. Por ejemplo, si las palabras en los documentos de entrada son hasta 1000, entonces este valor también sería 1000.

Conclusión

La incrustación de palabras es esencial para el aprendizaje de la máquina, ya que ayuda a los ordenadores a entender su lenguaje. Contiene varios algoritmos que procesan las palabras de forma diferente, pero el objetivo principal es ayudar a la máquina a aprender idiomas. Los ordenadores no pueden entender lo que estamos pidiendo. En cambio, para cada palabra, las computadoras están codificadas con una representación vectorial que se relaciona con otras palabras según el contexto.

Languages

Weekly newsletter

No spam. Just the latest releases and tips, interesting articles, and exclusive interviews in your inbox every week.