Ten kurs przetwarzania języka naturalnego (NLP) stanowi kompleksowe wprowadzenie do kluczowych technik i koncepcji NLP, pomagając uczestnikom rozwinąć niezbędne umiejętności w tej dziedzinie. Kurs omawia metody przetwarzania tekstu, reprezentację słów, analizę gramatyczną oraz zastosowanie algorytmów uczenia maszynowego i głębokiego w różnych zadaniach NLP, takich jak analiza sentymentu, klasyfikacja tekstu i tłumaczenie maszynowe. Uczestnicy dowiedzą się również o wstępnie wytrenowanych modelach, takich jak BERT i rodzina GPT, oraz o tym, jak wykorzystać je do tworzenia zaawansowanych aplikacji NLP.
Kurs łączy teorię z praktyką, wykorzystując język programowania Python oraz popularne biblioteki NLP i uczenia maszynowego, takie jak NLTK, spaCy, TensorFlow i PyTorch. W trakcie kursu studenci będą uczestniczyć w ćwiczeniach praktycznych i pracować nad projektami, aby utrwalić swoją wiedzę i zdobyć praktyczne doświadczenie w zakresie NLP.
• Historia, zastosowania i znaczenie przetwarzania języka naturalnego (NLP).
• Techniki przetwarzania tekstu, takie jak tokenizacja, rootowanie i lematyzacja, oraz sposób ich wykorzystania do przygotowania danych do analizy.
• Różne metody reprezentacji słów w kontekście NLP, w tym kodowanie one-hot, Bag-of-Words (BoW), TF-IDF i osadzanie słów.
• Jak w praktyce stosować przetwarzanie tekstu, wykorzystując biblioteki Pythona i NLP.
• Analiza składniowa i gramatyczna, w tym analiza konstytucyjna/zależna, etykietowanie części mowy (POS) i rozpoznawanie nazw jednostek (NER).
• Techniki analizy sentymentu i klasyfikacji tekstu, a także strategie wyboru istotnych cech.
• Jak przeprowadzić analizę sentymentów, wykorzystując algorytmy uczenia maszynowego i głębokiego uczenia.
• Modele Seq2Seq i powiązane z nimi kluczowe koncepcje, takie jak koder-dekoder i mechanizm uwagi, a także istotne obszary zastosowań.
• Wstępnie wytrenowane modele, takie jak BERT i rodzina GPT (w tym ChatGPT) i jak można je wykorzystać w rozwiązywaniu problemów NLP.
• Metody oceny wydajności modeli NLP, wyzwania w tej dziedzinie i przyszłe kierunki rozwoju NLP.
- Podstawowe umiejętności programowania (znajomość języka Python), fundamentalna wiedza na temat technik uczenia maszynowego, doświadczenie w pracy z bibliotekami ML w języku Python, podstawowa wiedza na temat głębokiego uczenia.
• Wprowadzenie do NLP: historia, zastosowania i znaczenie.
• Przetwarzanie tekstu: tokenizacja, stemming, lematyzacja itp.
• Reprezentacja słów: One-hot, BoW, TF-IDF, osadzenia słów.
• Zastosowanie praktyczne: przetwarzanie tekstu z wykorzystaniem bibliotek Python i NLP.
• Analiza składniowa i gramatyczna: analiza konstytucyjna/zależna, etykietowanie POS, NER.
• Analiza sentymentu/klasyfikacja tekstu: techniki i wybór cech.
• Zastosowanie praktyczne: analiza sentymentu z wykorzystaniem algorytmów ML i głębokiego uczenia.
• Modele Seq2Seq: koder-dekoder, mechanizm uwagi, zastosowania.
• Modele wstępnie wytrenowane: BERT, rodzina GPT (w tym ChatGPT).
• Wskaźniki ewaluacji, wyzwania i przyszłe kierunki rozwoju NLP.
W tej chwili nie ma żadnych rekomendacji.
Po ukończeniu kursu otrzymasz certyfikat.
