Dieser Kurs zur Verarbeitung natürlicher Sprache (NLP) bietet eine umfassende Einführung in die wichtigsten NLP-Techniken und -Konzepte und hilft den Teilnehmern, grundlegende Fähigkeiten auf diesem Gebiet zu entwickeln. Der Kurs befasst sich mit Textverarbeitungsmethoden, Wortdarstellung, Grammatikanalyse und der Anwendung von Algorithmen für maschinelles Lernen und Deep Learning auf verschiedene NLP-Aufgaben wie Stimmungsanalyse, Textklassifizierung und maschinelle Übersetzung. Die Teilnehmer lernen außerdem vorab trainierte Modelle wie BERT und die GPT-Familie kennen und erfahren, wie sie diese zum Erstellen fortgeschrittener NLP-Anwendungen verwenden können.
Der Kurs kombiniert Theorie mit praktischer Anwendung und verwendet die Programmiersprache Python sowie beliebte NLP- und maschinelle Lernbibliotheken wie NLTK, spaCy, TensorFlow und PyTorch. Während des gesamten Kurses nehmen die Studierenden an praktischen Übungen teil und arbeiten an Projekten, um ihr Verständnis zu stärken und praktische Erfahrungen im NLP zu sammeln.
• Geschichte, Anwendungen und Bedeutung der Verarbeitung natürlicher Sprache (NLP).
• Textverarbeitungstechniken wie Tokenisierung, Rooting und Lemmatisierung und wie sie zur Vorbereitung von Daten für die Analyse verwendet werden.
• Die verschiedenen Methoden zur Darstellung von Wörtern im Kontext von NLP, einschließlich One-Hot-Codierung, Bag-of-Words (BoW), TF-IDF und Word Embeddings.
• Wie man Textverarbeitung mithilfe von Python- und NLP-Bibliotheken in die Praxis umsetzt.
• Syntax- und Grammatikanalyse, einschließlich konstitutioneller/abhängiger Analyse und Wortart-Tagging (POS) sowie Entity Name Recognition (NER).
• Stimmungsanalyse- und Textklassifizierungstechniken sowie Strategien zur Auswahl relevanter Merkmale.
• Wie man eine Stimmungsanalyse mithilfe von Algorithmen für maschinelles Lernen und Deep Learning durchführt.
• Seq2Seq-Modelle und zugehörige Schlüsselkonzepte wie Encoder-Decoder und Aufmerksamkeitsmechanismus sowie relevante Anwendungsbereiche.
• Vorab trainierte Modelle wie BERT und die GPT-Familie (inkl ChatGPT) und wie sie bei NLP-Problemen eingesetzt werden können.
• Methoden zur Bewertung der Leistung von NLP-Modellen, Herausforderungen auf diesem Gebiet und zukünftige Richtungen in der NLP-Entwicklung.
- Grundlegende Programmierkenntnisse (Vertrautheit mit Python), grundlegendes Verständnis von Techniken des maschinellen Lernens, Erfahrung mit ML-Bibliotheken in Python, Grundkenntnisse von Deep Learning.
• Einführung in NLP: Geschichte, Anwendungen und Bedeutung.
• Textverarbeitung: Tokenisierung, Wurzel, Lemmatisierung usw.
• Wortdarstellung: One-hot, BoW, TF-IDF, Worteinbettungen.
• Praktische Anwendung: Textverarbeitung mit Python- und NLP-Bibliotheken.
• Syntax- und Grammatikanalyse: Konstitutives/abhängiges Parsing, POS-Tagging, NER.
• Stimmungsanalyse/Textklassifizierung: Techniken und Merkmalsauswahl.
• Praktische Anwendung: Sentimentanalyse mit ML-Algorithmen und Deep Learning.
• Seq2Seq-Modelle: Encoder-Decoder, Aufmerksamkeitsmechanismus, Anwendungen.
• Vorab trainierte Modelle: BERT, GPT-Familie (inkl ChatGPT).
• Bewertungsmetriken, Herausforderungen und zukünftige Richtungen im NLP.
Derzeit gibt es keine Empfehlungen.
Nach diesem Kurs erhalten Sie ein Abschlusszertifikat.
