Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP Training Course

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων, επαγγελματίες της μηχανικής μάθησης και ερευνητές και λάτρεις του NLP που επιθυμούν να χρησιμοποιήσουν αποτελεσματικά το Hugging Face για εργασίες NLP.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Χρησιμοποιήστε ένα μοντέλο Hugging Face Transformer και προσαρμόστε το σε ένα συγκεκριμένο σύνολο δεδομένων. Αποκτήστε την ικανότητα να αντιμετωπίζετε ανεξάρτητα κοινές προκλήσεις NLP. Δημιουργήστε και μοιραστείτε τις επιδείξεις των μοντέλων σας αποτελεσματικά. Βελτιστοποιήστε τη βελτιστοποίηση των μοντέλων σας για παραγωγή. Χρησιμοποιήστε Hugging Face Transformers για να λύσετε ένα ευρύ φάσμα προβλημάτων μηχανικής μάθησης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το TextBlob για να εφαρμόσουν και να απλοποιήσουν εργασίες NLP, όπως ανάλυση συναισθήματος, ορθογραφικές διορθώσεις, μοντελοποίηση ταξινόμησης κειμένου κ.λπ. .

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσετε την υλοποίηση εργασιών NLP με το TextBlob.
• Κατανοήστε τα χαρακτηριστικά, την αρχιτεκτονική και τα πλεονεκτήματα του TextBlob.
• Μάθετε πώς να δημιουργείτε συστήματα ταξινόμησης κειμένου χρησιμοποιώντας το TextBlob.
• Εκτελέστε κοινές εργασίες NLP (Tokenization, WordΔίκτυο, Ανάλυση συναισθήματος, Ορθογραφία, κ.λπ.)
• Εκτελέστε προηγμένες υλοποιήσεις με απλά API και μερικές γραμμές κωδικών.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το Spark NLP, που βασίζεται στο Apache Spark, για να αναπτύξουν, να εφαρμόσουν και να κλιμακώσουν μοντέλα επεξεργασίας κειμένου σε φυσική γλώσσα και αγωγών.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσετε την κατασκευή αγωγών NLP με το Spark NLP.
• Κατανοήστε τα χαρακτηριστικά, την αρχιτεκτονική και τα οφέλη από τη χρήση του Spark NLP.
• Χρησιμοποιήστε τα προεκπαιδευμένα μοντέλα που είναι διαθέσιμα στο Spark NLP για να εφαρμόσετε την επεξεργασία κειμένου.
• Μάθετε πώς να κατασκευάζετε, εκπαιδεύετε και κλιμακώνετε μοντέλα Spark NLP για έργα παραγωγής.
• Εφαρμογή ταξινόμησης, συμπερασμάτων και ανάλυσης συναισθήματος σε περιπτώσεις χρήσης πραγματικού κόσμου (κλινικά δεδομένα, πληροφορίες συμπεριφοράς πελατών, κ.λπ.).

Αυτό το μάθημα έχει σχεδιαστεί για άτομα που ενδιαφέρονται να εξάγουν το νόημα από γραπτό αγγλικό κείμενο, αν και η γνώση μπορεί να εφαρμοστεί και σε άλλες ανθρώπινες γλώσσες.

Το μάθημα θα καλύψει τον τρόπο χρήσης του κειμένου που έχει γράψει ο άνθρωπος, όπως οι αναρτήσεις ιστολογίου, τα tweets κ.λπ ...

Για παράδειγμα, ένας αναλυτής μπορεί να δημιουργήσει έναν αλγόριθμο ο οποίος θα καταλήξει σε αυτόματο συμπέρασμα με βάση εκτεταμένη πηγή δεδομένων.

Το MLlib είναι η βιβλιοθήκη εκμάθησης μηχανών Spark (ML). Σκοπός του είναι να κάνει την πρακτική εκμάθηση μηχανών κλιμακωτή και εύκολη. Αποτελείται από κοινούς αλγόριθμους και βοηθητικά προγράμματα μάθησης, συμπεριλαμβανομένης της ταξινόμησης, της παλινδρόμησης, της ομαδοποίησης, του συνεργατικού φιλτραρίσματος, της μείωσης των διαστάσεων, καθώς και των πρωτόγονων βελτιστοποίησης χαμηλότερου επιπέδου και των API αγωγών υψηλότερου επιπέδου.

Διαχωρίζεται σε δύο πακέτα:

• Το spark.mllib περιέχει το αρχικό API που είναι ενσωματωμένο στο RDD.

• Το spark.ml παρέχει API υψηλότερου επιπέδου που είναι ενσωματωμένο στο DataFrames για την κατασκευή αγωγών ML.

Κοινό

Αυτό το μάθημα απευθύνεται σε μηχανικούς και προγραμματιστές που επιδιώκουν να χρησιμοποιήσουν μια ενσωματωμένη βιβλιοθήκη μηχανών για Apache Spark

Αυτό το μάθημα έχει δημιουργηθεί για μάνατζερ, αρχιτέκτονες λύσεων, στελέχη καινοτομίας, CTO, αρχιτέκτονες λογισμικού και οποιονδήποτε ενδιαφέρεται για μια επισκόπηση της εφαρμοσμένης τεχνητής νοημοσύνης και την πλησιέστερη πρόβλεψη για την ανάπτυξή της.

Αυτό το μάθημα εισάγει τους γλωσσολόγους ή τους προγραμματιστές στο NLP στο Python. Κατά τη διάρκεια αυτού του μαθήματος θα χρησιμοποιήσουμε κυρίως nltk.org (Natural Language Tool Kit), αλλά επίσης θα χρησιμοποιήσουμε άλλες βιβλιοθήκες σχετικές και χρήσιμες για το NLP. Αυτή τη στιγμή μπορούμε να διεξάγουμε αυτό το μάθημα σε Python 2.x ή Python 3.x. Τα παραδείγματα είναι στα αγγλικά ή στη Μανταρίνη (普通话). Άλλες γλώσσες μπορούν επίσης να γίνουν διαθέσιμες εάν συμφωνηθεί πριν από την κράτηση.

TensorFlow™ είναι μια βιβλιοθήκη λογισμικού ανοικτού κώδικα για αριθμητικούς υπολογισμούς χρησιμοποιώντας γραφικά ροής δεδομένων.

Το SyntaxNet είναι ένα νευρικό δίκτυο φυσικής γλώσσας επεξεργασίας πλαίσιο για TensorFlow.

Word2Vec χρησιμοποιείται για την εκμάθηση vector αντιπροσωπείες λέξεων, που ονομάζεται "word embeddings". Word2vec είναι ένα ιδιαίτερα υπολογιστικά αποτελεσματικό προγνωστικό μοντέλο για την εκμάθηση ενσωμάτωσης λέξεων από το πρωτότυπο κείμενο. Έρχεται σε δύο γεύσεις, το μοντέλο Continuous Bag-of-Words (CBOW) και το μοντέλο Skip-Gram (Κεφάλαιο 3.1 και 3.2 στο Mikolov et al.)

Χρησιμοποιείται ταυτόχρονα, το SyntaxNet και Word2Vec επιτρέπουν στους χρήστες να παράγουν μοντέλα Learning Embedding από την εισαγωγή της Φυσικής Γλώσσας.

Δημοσιογράφος

Αυτό το μάθημα απευθύνεται σε προγραμματιστές και μηχανικούς που σκοπεύουν να εργαστούν με τα μοντέλα SyntaxNet και Word2Vec στα γραφικά τους.

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• Κατανοήστε TensorFlow&rsquo·s δομή και μηχανισμούς εκμετάλλευσης
• να είναι σε θέση να εκτελέσει εγκατάσταση / περιβάλλον παραγωγής / αρχιτεκτονικές εργασίες και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει αποσπάσεις, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή όπως μοντέλα κατάρτισης, όρους ενσωμάτωσης, γραφικά κατασκευής και καταγραφή

Deeplearning4j είναι μια βιβλιοθήκη ανοιχτού κώδικα, διανεμημένη σε βάθος, γραμμένη για Java και Scala . Ολοκληρωμένο με Hadoop και Spark, το DL4J έχει σχεδιαστεί για χρήση σε επιχειρηματικά περιβάλλοντα σε κατανεμημένες μονάδες GPU και CPU.

Word 2Vec είναι μια μέθοδος υπολογισμού διανυσματικών αναπαραστάσεων λέξεων που εισάγονται από μια ομάδα ερευνητών στο Go ogle με επικεφαλής τον Tomas Mikolov.

Κοινό

Αυτό το μάθημα απευθύνεται σε ερευνητές, μηχανικούς και προγραμματιστές που επιδιώκουν να χρησιμοποιήσουν το Deeplearning4J για την κατασκευή μοντέλων Word 2Vec.

IT εκτιμάται ότι τα μη δομημένα δεδομένα αντιστοιχούν σε περισσότερα από 90 τοις εκατό όλων των δεδομένων, μεγάλο μέρος της σε μορφή κειμένου. Οι δημοσιεύσεις ιστολογίου, τα τουίτ, τα μέσα κοινωνικής δικτύωσης και άλλες ψηφιακές δημοσιεύσεις συνεχώς προσθέτουν σε αυτό το αυξανόμενο σώμα δεδομένων.

αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή πορεία επικεντρώνεται γύρω από την εξαγωγή πληροφοριών και νόημα από αυτά τα δεδομένα. Αξιοποιώντας τις βιβλιοθήκες της επεξεργασίας γλώσσας και φυσικής γλώσσας (ΝΙΠ), συνδυάζουμε έννοιες και τεχνικές από την πληροφορική, την τεχνητή νοημοσύνη και την υπολογιστική γλωσσολογία για να αλγοριθμικά κατανοούμε το νόημα πίσω από τα δεδομένα κειμένου. Τα δείγματα δεδομένων είναι διαθέσιμα σε διάφορες γλώσσες ανά πελάτη.

από το τέλος αυτών των συμμετεχόντων στην εκπαίδευση θα είναι σε θέση να προετοιμάσει σύνολα δεδομένων (μεγάλα και μικρά) από ανόμοιες πηγές, στη συνέχεια, εφαρμόστε τους σωστά αλγόριθμους για να αναλύσετε και να αναφέρετε τη σημασία του.

μορφή του μαθήματος

• PART διάλεξη, μέρος συζήτηση, βαριά πρακτική εξάσκηση, περιστασιακές δοκιμές για να μετρήσει την κατανόηση

Η παραγωγή φυσικής γλώσσας (NLG) αναφέρεται στην παραγωγή κειμένου ή ομιλίας φυσικής γλώσσας από έναν υπολογιστή.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Python για να παράγουν κείμενο φυσικής γλώσσας υψηλής ποιότητας, δημιουργώντας το δικό τους σύστημα NLG από την αρχή. Θα εξεταστούν επίσης περιπτωσιολογικές μελέτες και οι σχετικές έννοιες θα εφαρμοστούν σε ζωντανά εργαστηριακά έργα για τη δημιουργία περιεχομένου.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Χρησιμοποιήστε το NLG για να δημιουργήσετε αυτόματα περιεχόμενο για διάφορους κλάδους, από τη δημοσιογραφία, μέχρι την ακίνητη περιουσία, έως τα ρεπορτάζ για τον καιρό και τον αθλητισμό Επιλέξτε και οργανώστε το περιεχόμενο πηγής, σχεδιάστε προτάσεις και προετοιμάστε ένα σύστημα για αυτόματη δημιουργία πρωτότυπου περιεχομένου Κατανόηση του αγωγού NLG και εφαρμογή των σωστών τεχνικών σε κάθε στάδιο Κατανόηση της αρχιτεκτονικής ενός συστήματος Natural Language Generation (NLG) Εφαρμογή των καταλληλότερων αλγορίθμων και μοντέλων για ανάλυση και παραγγελία Τραβήξτε δεδομένα από δημοσίως διαθέσιμες πηγές δεδομένων καθώς και επιμελημένες βάσεις δεδομένων για χρήση ως υλικό για το κείμενο που δημιουργείται Αντικαταστήστε τη χειροκίνητη και επίπονη γραφή διαδικασίες με αυτοματοποιημένη δημιουργία περιεχομένου που δημιουργείται από υπολογιστή

Ακροατήριο

Προγραμματιστές Επιστήμονες δεδομένων

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Μέχρι το τέλος της εκπαίδευσης οι εκπρόσωποι αναμένεται να είναι επαρκώς εξοπλισμένοι με τις βασικές έννοιες του python και θα πρέπει να είναι σε θέση να χρησιμοποιούν επαρκώς το NLTK για την υλοποίηση των περισσότερων λειτουργιών που βασίζονται σε NLP και ML. Η εκπαίδευση στοχεύει στο να δώσει όχι μόνο μια εκτελεστική γνώση αλλά και τη λογική και λειτουργική γνώση της τεχνολογίας σε αυτήν.

Η βιβλιοθήκη Apache OpenNLP είναι μια εργαλειοθήκη που βασίζεται στη μηχανική εκμάθηση για την επεξεργασία κειμένου φυσικής γλώσσας. Υποστηρίζει τις πιο κοινές εργασίες NLP, όπως ανίχνευση γλώσσας, κατανομή, τμηματοποίηση προτάσεων, επισήμανση μέρους του λόγου, εξαγωγή επώνυμης οντότητας, τεμαχισμό, ανάλυση και ανάλυση συνάφειας.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να δημιουργούν μοντέλα για την επεξεργασία δεδομένων που βασίζονται σε κείμενο χρησιμοποιώντας το OpenNLP. Ως βάση για τις εργαστηριακές ασκήσεις θα χρησιμοποιηθούν δείγματα δεδομένων εκπαίδευσης καθώς και προσαρμοσμένα σύνολα δεδομένων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Εγκατάσταση και διαμόρφωση OpenNLP Λήψη υπαρχόντων μοντέλων καθώς και δημιουργία των δικών τους Εκπαιδεύστε τα μοντέλα σε διάφορα σύνολα δειγμάτων δεδομένων Ενσωμάτωση OpenNLP με υπάρχουσες Java εφαρμογές

Ακροατήριο

Προγραμματιστές Επιστήμονες δεδομένων

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Στη Μηχανική Εκμάθηση Python, η λειτουργία Σύνοψης Κειμένου μπορεί να διαβάσει το εισαγόμενο κείμενο και να παράγει μια σύνοψη κειμένου. Αυτή η δυνατότητα είναι διαθέσιμη από τη γραμμή εντολών ή ως Python API/Βιβλιοθήκη. Μια συναρπαστική εφαρμογή είναι η ταχεία δημιουργία εκτελεστικών περιλήψεων. Αυτό είναι ιδιαίτερα χρήσιμο για οργανισμούς που πρέπει να αναθεωρήσουν μεγάλο όγκο δεδομένων κειμένου πριν δημιουργήσουν αναφορές και παρουσιάσεις.

Σε αυτή τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν το Python για να δημιουργήσουν μια απλή εφαρμογή που δημιουργεί αυτόματα μια περίληψη του κειμένου εισαγωγής.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Χρησιμοποιήστε ένα εργαλείο γραμμής εντολών που συνοψίζει κείμενο. Σχεδιάστε και δημιουργήστε κώδικα περίληψης κειμένου χρησιμοποιώντας βιβλιοθήκες Python. Αξιολογήστε τρεις Python βιβλιοθήκες περίληψης: sumy 0.7.0, pysummarization 1.0.4, readless 1.0.17

Ακροατήριο

Developers Data Scientists

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σε αυτή τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν Python βιβλιοθήκες για το NLP καθώς δημιουργούν μια εφαρμογή που επεξεργάζεται ένα σύνολο εικόνων και δημιουργεί υπότιτλους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Σχεδιασμός και κωδικοποίηση DL για NLP χρησιμοποιώντας Python βιβλιοθήκες.
• Δημιουργήστε κώδικα Python που διαβάζει μια ουσιαστικά τεράστια συλλογή εικόνων και δημιουργεί λέξεις-κλειδιά.
• Δημιουργήστε Python κώδικα που δημιουργεί υπότιτλους από τις λέξεις-κλειδιά που εντοπίστηκαν.