Deep Learning for NLP (Natural Language Processing) 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.

TensorFlow είναι ένα API 2ης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Το σύστημα έχει σχεδιαστεί για να διευκολύνει την έρευνα στη μηχανική μάθηση και να το κάνει γρήγορο και εύκολο στη μετάβαση από το πρωτότυπο της έρευνας στο σύστημα παραγωγής.

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή

Αυτό το μάθημα διερευνά, με συγκεκριμένα παραδείγματα, την εφαρμογή του Tensor Flow στους σκοπούς της αναγνώρισης εικόνων

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τους σκοπούς της αναγνώρισης εικόνων

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα μπορούν:

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow
• εκτελέστε εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση
• να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση
• να εφαρμόσουν προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, οικοδόμηση γραφημάτων και καταγραφή

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

Κοινό

Αυτό το μάθημα είναι κατάλληλο για τους ερευνητές και τους μηχανικούς της Deep Learning ενδιαφέρονται να χρησιμοποιήσουν διαθέσιμα εργαλεία (κυρίως ανοιχτού κώδικα) για την ανάλυση εικόνων υπολογιστή

Αυτό το μάθημα παρέχει παραδείγματα εργασίας.

This course will give you knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications).

This training is more focus on fundamentals, but will help you to choose the right technology : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. The examples are made in TensorFlow.

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν πώς να επωφελούνται από τις καινοτομίες στους επεξεργαστές TPU για να μεγιστοποιήσουν την απόδοση των δικών τους εφαρμογών τεχνητής νοημοσύνης.

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

• Εκπαιδεύστε διάφορους τύπους νευρωνικών δικτύων σε μεγάλες ποσότητες δεδομένων.
• Χρησιμοποιήστε TPU για να επιταχύνετε τη διαδικασία συμπερασμάτων έως και δύο τάξεις μεγέθους.
• Χρησιμοποιήστε TPU για την επεξεργασία εντατικών εφαρμογών όπως η αναζήτηση εικόνων, το cloud vision και οι φωτογραφίες.

Το Embedding Projector είναι μια διαδικτυακή εφαρμογή ανοιχτού κώδικα για την οπτικοποίηση των δεδομένων που χρησιμοποιούνται για την εκπαίδευση συστημάτων μηχανικής εκμάθησης. Δημιουργήθηκε από την Google, αποτελεί μέρος του TensorFlow.

Αυτή η ζωντανή εκπαίδευση καθοδηγούμενη από εκπαιδευτές εισάγει τις έννοιες πίσω από το Embedding Projector και καθοδηγεί τους συμμετέχοντες στη ρύθμιση ενός έργου επίδειξης.

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

Εξερευνήστε πώς ερμηνεύονται τα δεδομένα από μοντέλα μηχανικής μάθησης Πλοηγηθείτε σε τρισδιάστατες και 2D προβολές δεδομένων για να κατανοήσετε πώς τα ερμηνεύει ένας αλγόριθμος μηχανικής μάθησης Κατανόηση των εννοιών πίσω από τις Ενσωματώσεις και του ρόλου τους στην αναπαράσταση μαθηματικών διανυσμάτων για εικόνες, λέξεις και αριθμούς. Εξερευνήστε τις ιδιότητες μιας συγκεκριμένης ενσωμάτωσης για να κατανοήσετε τη συμπεριφορά ενός μοντέλου Εφαρμογή Έργου ενσωμάτωσης σε περιπτώσεις χρήσης πραγματικού κόσμου, όπως η δημιουργία ενός συστήματος πρότασης τραγουδιού για τους λάτρεις της μουσικής

Ακροατήριο

Προγραμματιστές Επιστήμονες δεδομένων

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σε αυτήν την υπό εκπαιδευτή, ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου), οι συμμετέχοντες θα μάθουν πώς να διαμορφώνουν και να χρησιμοποιούν το TensorFlow Serving για την ανάπτυξη και τη διαχείριση μοντέλων ML σε περιβάλλον παραγωγής.

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

• Εκπαιδεύστε, εξάγετε και εξυπηρετήστε διάφορα μοντέλα TensorFlow.
• Δοκιμάστε και αναπτύξτε αλγόριθμους χρησιμοποιώντας μια ενιαία αρχιτεκτονική και ένα σύνολο API.
• Επεκτείνετε το TensorFlow Serving για να εξυπηρετήσετε άλλους τύπους μοντέλων πέρα από τα μοντέλα TensorFlow.

Αυτό το μάθημα ξεκινά με την παροχή εννοιολογικής γνώσης στα νευρωνικά δίκτυα και γενικά στον αλγόριθμο μηχανικής μάθησης, τη βαθιά μάθηση (αλγόριθμοι και εφαρμογές).

Μέρος-1 (40%) αυτής της εκπαίδευσης είναι μεγαλύτερη έμφαση στην θεμελιώδη, αλλά θα σας βοηθήσει να επιλέγετε τη σωστή τεχνολογία: TensorFlow , Caffe , Θεανώ, DeepDrive, Keras , κ.λπ.

Μέρος-2 (20%) αυτής της εκπαίδευσης εισάγει Theano - μια βιβλιοθήκη python που καθιστά εύκολη τη σύνταξη εγγράφων βαθιάς μάθησης.

Το τμήμα 3 (40%) της κατάρτισης θα βασίζεται σε μεγάλο βαθμό στο Tensorflow - API δεύτερης γενιάς της βιβλιοθήκης λογισμικού ανοιχτού κώδικα της Go ogle για την Deep Learning . Τα παραδείγματα και το handson θα γίνουν όλα στο TensorFlow .

Κοινό

Αυτό το μάθημα προορίζεται για μηχανικούς που επιδιώκουν να χρησιμοποιήσουν το TensorFlow για τα έργα Deep Learning

Μετά την ολοκλήρωση αυτού του μαθήματος, οι εκπρόσωποι θα:

• έχουν μια καλή κατανόηση για τα βαθιά νευρωνικά δίκτυα (DNN), το CNN και το RNN

• κατανοήσουν τη δομή και τους μηχανισμούς ανάπτυξης του TensorFlow

• να είναι σε θέση να εκτελέσει εργασίες εγκατάστασης / περιβάλλοντος παραγωγής / αρχιτεκτονικής και διαμόρφωση

• να είναι σε θέση να αξιολογήσει την ποιότητα του κώδικα, να εκτελέσει εντοπισμό σφαλμάτων, παρακολούθηση

• να είναι σε θέση να εφαρμόσει προηγμένη παραγωγή, όπως μοντέλα κατάρτισης, δημιουργία γραφημάτων και καταγραφή

Αυτό είναι ένα μάθημα 4 ημερών που εισάγει την τεχνητή νοημοσύνη και την εφαρμογή της. Υπάρχει η επιλογή να έχετε μια επιπλέον ημέρα για να αναλάβετε ένα έργο AI μετά την ολοκλήρωση αυτού του μαθήματος.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το Tensorflow 2.x για τη δημιουργία προγνωστικών, ταξινομητών, μοντέλων παραγωγής, νευρωνικών δικτύων και ούτω καθεξής.

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

• Εγκαταστήστε και διαμορφώστε το TensorFlow 2.x.
• Κατανοήστε τα πλεονεκτήματα του TensorFlow 2.x σε σχέση με τις προηγούμενες εκδόσεις.
• Δημιουργήστε μοντέλα βαθιάς μάθησης.
• Εφαρμόστε έναν προηγμένο ταξινομητή εικόνας.
• Αναπτύξτε ένα μοντέλο βαθιάς εκμάθησης σε συσκευές cloud, κινητές συσκευές και IoT.