Hugging Face for Natural Language Processing (NLP) Training Course

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.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές ασκήσεις και εξάσκηση.
• Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

• Για να ζητήσετε μια εξατομικευμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσουμε.

Τα ChatBots είναι προγράμματα ηλεκτρονικών υπολογιστών που προσομοιώνουν αυτόματα τις ανθρώπινες απαντήσεις μέσω διασυνδέσεων συνομιλίας. Οι οργανώσεις ChatBots βοηθούν τους οργανισμούς να μεγιστοποιήσουν την αποδοτικότητα των λειτουργιών τους παρέχοντας ευκολότερες και πιο γρήγορες επιλογές για τις αλληλεπιδράσεις τους με τους χρήστες

Σε αυτόν τον οδηγό, με ζωντανή προπόνηση, οι συμμετέχοντες θα μάθουν πώς να χτίσουν chatbots στη Python .

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Κατανοήστε τις βασικές αρχές της κατασκευής chatbots
• Κατασκευάστε, δοκιμάστε, αναπτύξτε και αντιγράψτε διάφορα chatbots χρησιμοποιώντας Python

Κοινό

• Προγραμματιστές

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση

Σημείωση

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.

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.

Αυτή η ζωντανή εκπαίδευση (διαδικτυακή ή επιτόπου) από εκπαιδευτές απευθύνεται σε επιστήμονες δεδομένων, μηχανικούς μηχανικής μάθησης, ερευνητές NLP και λάτρεις της τεχνητής νοημοσύνης που επιθυμούν να κατανοήσουν την εσωτερική λειτουργία των μοντέλων GPT, να εξερευνήσουν τις δυνατότητες των GPT-3 και GPT- 4, και μάθετε πώς να αξιοποιείτε αυτά τα μοντέλα για τις εργασίες NLP τους.

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

Κατανοήστε τις βασικές έννοιες και αρχές πίσω από τους Generative Pre-trained Transformers. Κατανοήστε την αρχιτεκτονική και τη διαδικασία εκπαίδευσης των μοντέλων GPT. Χρησιμοποιήστε το GPT-3 για εργασίες όπως η δημιουργία κειμένου, η ολοκλήρωση και η μετάφραση. Εξερευνήστε τις τελευταίες εξελίξεις στο GPT-4 και τις πιθανές εφαρμογές του. Εφαρμόστε μοντέλα GPT στα δικά τους έργα και εργασίες NLP.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων μεσαίου επιπέδου, προγραμματιστές τεχνητής νοημοσύνης και λάτρεις της τεχνητής νοημοσύνης που επιθυμούν να χρησιμοποιήσουν LLM για να εκτελέσουν διάφορες εργασίες NLP και να δημιουργήσουν νέο και διαφορετικό περιεχόμενο για διαφορετικούς σκοπούς .

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

• Δημιουργήστε ένα περιβάλλον ανάπτυξης με LLM και βασικά εργαλεία.
• Εκτελέστε έμπειρα εργασίες NLU και NLI με LLM.
• Εξαγωγή, συμπέρασμα και χρήση γραφημάτων γνώσης αποτελεσματικά.
• Δημιουργήστε και διαχειριστείτε διαλόγους χρησιμοποιώντας LLM για εφαρμογές συνομιλίας.
• Αξιολογήστε την ποιότητα του περιεχομένου και την ποικιλομορφία που δημιουργείται από LLM και γενετική τεχνητή νοημοσύνη.
• Εφαρμόστε ηθικές αρχές, διασφαλίζοντας δικαιοσύνη και υπεύθυνη χρήση των LLM.

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

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

This classroom based training session will explore NLP techniques in conjunction with the application of AI and Robotics in business. Delegates will undertake computer based examples and case study solving exercises using Python

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

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.

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.

Αυτή η καθοδηγούμενη από εκπαιδευτές, ζωντανή εκπαίδευση (onsite ή απομακρυσμένη) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το spaCy για να επεξεργαστούν πολύ μεγάλους όγκους κειμένου για να βρουν μοτίβα και να αποκτήσουν γνώσεις.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Εγκαταστήστε και διαμορφώστε το spaCy.
• Κατανοήστε την προσέγγιση spaCy για την Natural Language Processing (NLP) .
• Εξαγάγετε τα πρότυπα και αποκτήστε επιχειρηματικές γνώσεις από πηγές δεδομένων μεγάλης κλίμακας.
• Ενσωματώστε τη βιβλιοθήκη spaCy με υπάρχουσες εφαρμογές ιστού και παλαιού τύπου.
• Εγκαταστήστε το spaCy για να ζήσετε περιβάλλον παραγωγής για να προβλέψετε την ανθρώπινη συμπεριφορά.
• Χρησιμοποιήστε το spaCy για να επεξεργαστείτε το κείμενο για Deep Learning

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές ασκήσεις και πρακτική.
• Χειροκίνητη υλοποίηση σε εργασιακό περιβάλλον.

Επιλογές προσαρμογής μαθημάτων

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.
• Για να μάθετε περισσότερα σχετικά με το spaCy, επισκεφθείτε τη διεύθυνση: https://spacy.io/

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

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