公司在线起名生成器 公司取名自动生成
你现在浏览的是一篇关于公司在线起名生成器的精彩内容，本文拥有公司取名自动生成和公司在线起名生成器的精彩内容发布，喜欢的关注本站。
公司在线起名生成器 公司取名自动生成
全文共4158字，预计学习时间12分钟
来源：Pexels
你喜欢你的名字吗？还是你知道你的名字的特殊含义？
作者小时候总是讨厌戴尔 (Dale)。这主要是因为你对 戴尔的印象从《乡巴佬希尔家庭的幸福生活》开始就被戴尔印象·小戴尔，美国纳斯卡赛车手·恩哈特的影响。
戴尔·格布里尔图片/图源：Costume Mall,小戴尔·恩哈特图片/图源:维基百科
这两个戴尔都不符合作者梦寐以求的自我形象。相反，作者希望被称为水兵月(《美少女战士》中的角色)。
作者不喜欢这个男女分不清的名字——每15个叫戴尔的人中只有一个是女孩。当被问及父母为什么要给自己起这个名字时，他们的逻辑是这样的:
A.如果一个女人的名字看不到她的性别，她更有可能成功
B.他们时髦的朋友刚给女儿取名戴尔，这个名字太可爱了！
值得一提的是，作为一个成年人，无论是在简历上还是在简历上，作者确实感受到了假装男人(而不是直接否认)的好处Github或者在邮件签名中。
然而，更不用说性别歧视了，如果个性决定论——人们会选择符合他们名字的职业和生活方式如果这个名字确实对人们的生活有一定的影响，那么为一个人选择一个名字将是多么沉重的责任。作者不会把这个责任交给偏好、运气或趋势。毫无疑问，给予深学习技术！
注1:可能没有主格决定论，其科学性与星座相似。但这仍然是一个有趣的问题！
我的孩子会在那里新泽西州出生。她成长为谷歌的软件工程师，喜欢骑自行车和买咖啡。
根据人物传记，模型将根据概率返回一串名称：
Name: linda Score: 0.04895663261413574Name: kathleen Score: 0.0423438735306263Name: suzanne Score: 0.03537878766655922Name: catherine Score: 0.030525485053658485...
所以理论上作者应该叫琳达，现在作者真的很喜欢戴尔这个名字。
如果读者想自己完成这个模型，可以看看这篇文章。
数据集
虽然笔者想要创造一个名字生成器，但是最终做出来的是名字预测器。笔者计划找一堆人物描述（人物传记），屏蔽名字，然后建立一个模型来预测那些（被屏蔽的）名字。
幸运的是，我碰巧在这里找到了大卫的数据集·格朗吉耶在Github创建在上面的名字维基百科人物传记数据集repo。该数据集包括维基百科人物栏的第一段，共有728321人的传记和元数据。
自然，从维基百科获得的人物传记有选择性偏差(根据女性电子杂志《TheLily》根据数据，维基百科全书中只有15%的女性传记，据估计，有色人种的情况也相似）。此外，维基百科全书上有传记的名字已经很多年了，因为许多著名人士出生在过去的500年里，而不是过去的30年里。
考虑到上述因素，为了使名称生成器生成当前流行的名称，作者下载了美国人口普查获得的最受欢迎的新生儿名称，然后减少了维基百科全书数据集，只包括人口调查中流行的名称。同时，不到50个传记。还有764个名字，其中大部分是男性名字。
训练模型
我一拿到数据样本，就决定训练一个给维基百科人物传记的第一段，预测传记所属人名的模型。
也许读者已经很久没有看过维基百科的传记了，他们通常是这样开始的:
戴尔·阿尔文·格布里尔是福克斯动画系列《乡巴佬希尔家庭幸福生活》中的虚拟人物，[2]由约翰尼制作·哈德威克配音(史蒂芬为比尔配音)·鲁特和演员丹尼尔·斯特恩都试过这个角色)。他创造了革命性的口袋藏沙防御机制，是害虫控制员、赏金猎人、戴尔科技的所有者、烟鬼和枪迷，偏执地相信几乎所有的阴谋论和城市传说。
因为不希望模型作弊，笔者用横线代替了所有名字中的名字和姓氏:___所以上面的传记变成了这样：
___阿尔文___动画系列中的虚拟角色是福克斯制作的…
这是输入模型的数据，相应的输出标签是戴尔。
准备好数据集，始创建深度学习语言模型。完成这项任务的方法有很多(如Tensorflow），但作者选择了AutoML自然语言可以建立深度神经网络，无需代码分析文本。
上传数据集AutoML，它自动将数据分为36497个训练样本、4570个验证样本和4570个测试样本：
虽然尝试过移除姓和名，但还是有一些中间名混了进来！
评估名称生成器那么，名称生成器模型的工作是如何完成的呢？
如果你以前建立过模型，你会知道评价质量的首选指标通常是准确性和召回率（如果你不熟悉这些术语或需要复习相关知识，你可以看看查克·由艾其尔创造的互动demo，详细解释了这些概念！)。在评估中，模型的准确性为65.7%，召回率2%。
但对于名称生成器来说，这些指标并不那么令人信服。因为数据噪音很大——根据一个人的生活经历命名没有正确的答案。名称在很大程度上是任意选择的，这意味着没有模型能真正给出准确的预测。
作者的目标不是建立一个能够100%准确预测名称的模型。作者只是想建立一个模型，可以理解名字中的一些规以及它们如何影响人们的生活。
挖掘一个模型学到了什么，其中一种方法是看到一个叫做混淆矩阵的表，它显示了模型犯了什么错误。该方法可以有效地调试，并快速测试合理性。
AutoML评价标签页面提供混淆矩阵。下图是其中一个角落(因为数据集中的名称太多，只截取了一部分)。
在这张表中，标题是真正的标签 (Truelables)，列标题是预测标签(Predicted lables)。行标题显示某人的名字应该是什么，列标题显示模型预测的名字。
例如，看标记为阿哈默德 (Ahmad) 这一行。你会看到一个标有13%的浅蓝色单元格。这说明13%的传记被模型标记为阿哈默德，数据集中了所有叫阿哈默德的人。与此同时，看到右边的单元格，25%的阿哈默德传记被错误地标记为阿哈迈德 (Ahmed) ”。此外，13%的叫阿哈默德的人被错了地标为亚力克 (Alec) ”。
虽然从技术上讲，这些标记是错误的，但这些标记显示模型可能确实掌握了一些名称规则，因为阿哈迈德与阿哈默德非常接近。叫亚力克的人也是如此。该模型有25%的机会给亚力克亚历山大 (Alexander) 但根据发音，亚力克和亚历山大也是非常接近的名字。
合理性检验
接下来，让我们看看模型是否理解名称的基本统计规则。例如，如果你用她来描述某人，模型会预测一个女性的名字吗？相比之下，模型会给他一个男性名字吗？
对于句子“她是个吃货”，排名最靠前的名字是“弗朗西丝”、“桃乐茜”和“妮娜”，随后是几个别的女名。这似乎是个好信号。
至于句子他是美食家，最高的名字是吉尔伯特、尤金和埃尔默。因此，模型似乎理解一些性别概念。
接下来，作者想测试模型是否理解地理因素对名称的影响。以下是用于测试的句子和模型预测的名称：
吉尔伯特，他出生在新泽西州
弗朗西丝丝她出生在新泽西州
“他出生在墨西哥阿曼多
艾琳，她出生在墨西哥
吉尔伯特，他出生在法国
伊迪丝丝她出生在法国
吉尔伯特，他出生在日本
弗朗西丝丝她出生在日本
这个模型能够理解世界各地流行的名字并不奇怪。这个模型似乎很难理解亚洲国家的流行名称。当涉及到亚洲国家时，该模型只会返回同一组名称（即吉尔伯特和弗朗西斯）。这表明培训数据集没有足够的国籍多样性。
模型偏差
来源：Pexels
最后，还有另一件事需要测试。如果你知道模型的公平性，你可能听说过，很容易建立一个偏差、种族歧视、性别歧视、年龄歧视或其他歧视模型，特别是当模型不能反映整体样本时。正如上述，维基百科全书上的传记是有偏见的，所以作者预计男性数量将超过女性。
此外，笔者预计该模型将反映训练数据的特点，并学习性别偏见——例如，计算机程序员是男性，护士是女性。让我们看看我猜对了什么：
约瑟夫
弗朗西丝他们会成为护士
艾伯特，他们会成为医生
雷蒙德他们将成为宇航员
罗伯特，他们会成为小说家
他们将是父母-乔斯
贝蒂，他们会成为模特
果然，模型似乎确实学到了两性在职业分工中的传统角色。(至少对作者来说)唯一的意外是，模型预测父母的角色会有男名(乔斯)而不是女名。
因此，很明显，该模型确实掌握了人们命名的一些规则，但并不是作者希望它掌握的规则。当我想给未来的孩子取名时，我猜我还是会和自己一样…也许叫小戴尔？
来源：Pexels
事实上，现在不必太在意这些预测，因为它们有偏差，而且它们的科学性与星座相似。
但是，如果有孩子的话AI命名不是很酷吗？
所以来试试吧~
以上内容是小编整理的关于公司在线起名生成器和公司取名自动生成的优秀文章，喜欢小编发表的公司在线起名生成器和公司取名自动生成请一定要在下面浏览哦，我们将第一时间给你回复！