chen
研究生
上海大学 · 1年经验
日薪：
￥500/8h
地点：
上海 浦东
时间：
周六
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1 CNN、LSTM文本分类。实验采用半监督的方式，通过少量标注数据训练模型，再用训练好的模型对大量的无标注数据进行分类，从而代替人工标注，提高效率。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
项目经验
1 CNN、LSTM文本分类。实验采用半监督的方式，通过少量标注数据训练模型，再用训练好的模型对大量的无标注数据进行分类，从而代替人工标注，提高效率。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
chen
研究生 · 1年经验 · 上海大学
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1 CNN、LSTM文本分类。实验采用半监督的方式，通过少量标注数据训练模型，再用训练好的模型对大量的无标注数据进行分类，从而代替人工标注，提高效率。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
项目经验
1 CNN、LSTM文本分类。实验采用半监督的方式，通过少量标注数据训练模型，再用训练好的模型对大量的无标注数据进行分类，从而代替人工标注，提高效率。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
2 带有注意力机制的Seq2Seq+双层LSTM模型完成中译英机器翻译任务，并且利用Seq2Seq模型在新闻文本公开数据集上实现了通过新闻标题生成关键词，训练好的模型可以生成标题中不存在但是有意义的词语，经过对比发现注意力机制在模型中发挥了重要作用。构建Transformer模型实现机器翻译和文本生成任务，了解了self attention的基本原理。
立即沟通
