Pengantar penerjemahan mesin

Penerjemahan Mesin dengan Keras

Thushan Ganegedara

Data Scientist and Author

Penerjemahan mesin

Terjemahan "Hello"

Penerjemahan mesin

Terjemahan "Hello" dengan ikon Google

Garis besar kursus

Bab 1 - Pengantar penerjemahan mesin
Bab 2 - Menerapkan model penerjemahan mesin (arsitektur encoder-decoder)
Bab 3 - Melatih model dan menghasilkan terjemahan
Bab 4 - Meningkatkan model terjemahan

Dataset (korpus kalimat Inggris–Prancis)

Korpus bahasa Inggris

new jersey is sometimes quiet during autumn , and it is snowy in april .
the united states is usually chilly during july , and it is usually freezing ...
california is usually quiet during march , and it is usually hot in june .

Korpus bahasa Prancis

new jersey est parfois calme pendant l' automne , et il est neigeux en avril .
les états-unis est généralement froid en juillet , et il gèle habituellement ...
california est généralement calme en mars , et il est généralement chaud en juin .

¹ https://github.com/udacity/deep-learning/tree/master/language-translation/data

Penerjemahan mesin - Ringkasan

Inggris ke Prancis

Penerjemahan mesin - Ringkasan

Istilah bahasa sumber dan target

Penerjemahan mesin - Ringkasan

Model penerjemahan mesin

Penerjemahan mesin - Ringkasan

Model penerjemahan mesin

Vektor one-hot

Vektor berisi angka 1 dan 0
Panjang vektor ditentukan oleh ukuran kosakata
Kosakata: kumpulan kata unik dalam dataset

Vektor one-hot

Pemetaan berisi kata dan indeksnya

word2index = {"I":0, "like": 1, "cats": 2}

Mengonversi kata ke ID atau indeks

words = ["I", "like", "cats"]
word_ids = [word2index[w] for w in words]
print(word_ids)

[0, 1, 2]

Vektor one-hot

One-hot encoding tanpa menentukan panjang vektor keluaran

onehot_1 = to_categorical(word_ids)
print([(w,ohe.tolist()) for w,ohe in zip(words, onehot_1)])

[('I', [1.0, 0.0, 0.0]), ('like', [0.0, 1.0, 0.0]), ('cats', [0.0, 0.0, 1.0])]

One-hot encoding dengan menentukan panjang vektor keluaran

onehot_2 = to_categorical(word_ids, num_classes=5)
print([(w,ohe.tolist()) for w,ohe in zip(words, onehot_2)])

[('I', [1.0, 0.0, 0.0, 0.0, 0.0]), ('like', [0.0, 1.0, 0.0, 0.0, 0.0]), 
('cats', [0.0, 0.0, 1.0, 0.0, 0.0])]

Ayo berlatih!

Penerjemahan Mesin dengan Keras