Apa yang akan Anda pelajari?
-
NLP standar industri menggunakan model transformator
-
Bangun model transformator penjawab pertanyaan setumpuk
-
Lakukan analisis sentimen dengan model transformator di PyTorch dan TensorFlow
-
Teknologi pencarian lanjutan seperti Elasticsearch dan Facebook AI Similarity Search (FAISS)
-
Buat model transformator yang disesuaikan untuk kasus penggunaan khusus
-
Ukur performa model bahasa menggunakan metrik lanjutan seperti ROUGE
-
Teknik pembuatan vektor seperti BM25 atau pengumpul bagian padat (DPR)
-
Ikhtisar perkembangan terbaru di NLP
-
Pahami perhatian dan komponen utama trafo lainnya
-
Pelajari tentang model transformator utama seperti BERT
-
Data teks praproses untuk NLP
-
Pengenalan entitas bernama (NER) menggunakan spaCy dan transformer
-
Menyesuaikan model klasifikasi bahasa
Persyaratan
-
Pengetahuan tentang Python
-
Pengalaman dalam ilmu data menjadi nilai tambah
-
Pengalaman di NLP merupakan nilai tambah
Keterangan
Model transformator adalah standar de-facto dalam NLP modern. Mereka telah membuktikan diri mereka sebagai model bahasa yang paling ekspresif dan kuat dengan selisih yang besar, mengalahkan semua tolok ukur berbasis bahasa utama berkali-kali.
Dalam kursus ini, kita mempelajari semua yang perlu Anda ketahui untuk mulai membangun aplikasi NLP performa mutakhir menggunakan model transformator seperti BERT Google AI , atau DPR Facebook AI .
Kami mencakup beberapa kerangka kerja NLP utama termasuk:
- Transformer HuggingFace
- TensorFlow 2
- PyTorch
- SpaCy
- NLTK
- Bakat
Dan pelajari cara menerapkan transformer ke beberapa kasus penggunaan NLP paling populer:
- Klasifikasi bahasa/analisis sentimen
- Pengenalan entitas bernama (NER)
- Tanya jawab
- Pembelajaran kesamaan/perbandingan
Sepanjang setiap kasus penggunaan ini, kami mengerjakan berbagai contoh untuk memastikan bahwa apa, bagaimana, dan mengapa transformator begitu penting. Di samping bagian ini, kami juga mengerjakan dua proyek NLP ukuran penuh , satu untuk analisis sentimen data keuangan Reddit, dan yang lainnya mencakup aplikasi penjawab pertanyaan domain terbuka yang lengkap.
Semua ini didukung oleh beberapa bagian lain yang mendorong kami untuk belajar bagaimana merancang, mengimplementasikan, dan mengukur kinerja model kami dengan lebih baik, seperti:
- Sejarah NLP dan dari mana transformer berasal
- Teknik preprocessing umum untuk NLP
- Teori di balik transformer
- Cara menyempurnakan transformer
Kami membahas semua ini dan lebih banyak lagi, saya berharap dapat melihat Anda di kursus!
Untuk siapa kursus ini:
- Calon ilmuwan data dan insinyur ML yang tertarik dengan NLP
- Praktisi yang ingin meningkatkan keterampilan mereka
- Pengembang yang ingin mengimplementasikan solusi NLP
- Ilmuwan data
- Insinyur Pembelajaran Mesin
- Pengembang Python