Deep learning w przetwarzaniu języka naturalnego
Czas trwania szkolenia:4 dni (32h)
Kod kursu:DL/NLP
Poziom zaawansowania:
O szkoleniu Deep learning w przetwarzaniu języka naturalnego
W cenie otrzymasz:
- Materiały szkoleniowe
- Certyfikat ukończenia szkolenia
- W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Dla kogo?
- Szkolenie Deep learning w przetwarzaniu języka naturalnego adresowane jest do wszystkich osób, które mają co najmniej podstawową wiedzę z obszaru uczenia maszynowego
- Programiści, analitycy danych, programiści baz danych, statystycy, data scientists z niewielkim doświadczeniem
Wymagania
- Od uczestników szkolenia wymagana jest dobra (pozwalająca na swobodne pisanie nieskomplikowanego kodu) znajomość języka Python, ogólna wiedza z klasycznego uczenia maszynowego (najważniejsze algorytmy regresji i klasyfikacji, ogólne zasady pracy z algorytmami uczenia maszynowego) oraz bardzo podstawowa wiedza o sieciach neuronowych (struktura i mechanizm działania sieci typu MLP, mechanizm uczenia sieci).
Zalety
- Poznanie metod, które zrewolucjonizowały wiele obszarów biznesowych
- Zaawansowane zagadnienia podane w przystępny sposób
- Warsztatowy charakter zajęć
- Dokładne zrozumienie algorytmów pozwalające na samodzielne wykorzystanie ich w przyszłości
- Poznanie funkcjonalności biblioteki Tensorflow
- Duża dawka praktycznej wiedzy i umiejętności, przydatnej podczas rozwiązywania rzeczywistych problemów
- Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
- Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
- Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how
Cele szkolenia
- Szkolenie Deep learning w przetwarzaniu języka naturalnego umożliwia zdobycie specjalistycznej wiedzy o sieciach neuronowych, stosowanych w przetwarzaniu języka naturalnego (NLP)
- W ramach szkolenia uczestnicy zdobędą umiejętności implementacji omawianych algorytmów z wykorzystaniem biblioteki Tensorflow w jezyku Python
Program
Zanurzenia słów - word embeddings
- Model word2vec
- GLOVE
- FastText
- Elmo
- Trenowanie własnych zanurzeń
Rekurencyjne sieci neuronowe (recurrent neural networks - RNNs)
- Sieć rekurencyjna prosta
- Sieć LSTM
- Sieć GRU
- Klasyfikacja tekstu przy użyciu sieci rekurencyjnych
- Wykrywanie nazw własnych przy użyciu sieci rekurencyjnych
Złożone struktury sieci w zadaniach NLP
- Wielowarstwowość
- Dwukierunkowość
- Warstwy konwolucyjne w przetwarzaniu tekstu
- Mechanizm uwagi (RNN with attention)
Generowanie tekstu przy użyciu sieci neuronowych
- Modele char-RNN oraz word-RNN
- Model seq2seq, struktury encoder-decoder
- Generowanie tekstu na podstawie obiektów wejściowych (np. opisów obrazów)
Sieć neuronowa Transformer
- Architektura sieci Transformer
- Model BERT - transfer learning w NLP