Kurzusleírás

Bevezetés az NLP finomhangolásba

  • Mi az a finomhangolás?
  • Az előre betanított nyelvi modellek finomhangolásának előnyei
  • A népszerű előre betanított modellek (GPT, BERT, T5) áttekintése

Az NLP feladatok megértése

  • Érzelemelemzés
  • Szöveges összefoglaló
  • Gépi fordítás
  • Elnevezett entitás felismerés (NER)

A környezet beállítása

  • Python és könyvtárak telepítése és konfigurálása
  • Hugging Face Transformers használata NLP-feladatokhoz
  • Előképzett modellek betöltése és felfedezése

Finomhangolási technikák

  • Adatkészletek előkészítése NLP feladatokhoz
  • Tokenizálás és beviteli formázás
  • Finomhangolás osztályozási, generálási és fordítási feladatokhoz

A modell teljesítményének optimalizálása

  • A tanulási arányok és a kötegméretek megértése
  • Szabályozási technikák alkalmazása
  • A modell teljesítményének értékelése mérőszámokkal

Hands-On Labs

  • A BERT finomhangolása a hangulatelemzéshez
  • A T5 finomhangolása a szöveges összefoglaláshoz
  • GPT finomhangolása gépi fordításhoz

Finomhangolt modellek bevezetése

  • Modellek exportálása és mentése
  • Modellek integrálása alkalmazásokba
  • A modellek felhőplatformokon történő telepítésének alapjai

Kihívások és legjobb gyakorlatok

  • A finomhangolás során kerülje a túlillesztést
  • Kiegyensúlyozatlan adatkészletek kezelése
  • A reprodukálhatóság biztosítása kísérletekben

Az NLP finomhangolás jövőbeli trendjei

  • Feltörekvő előképzett modellek
  • Előrelépések az NLP transzfertanulásában
  • Multimodális NLP alkalmazások feltárása

Összegzés és a következő lépések

Követelmények

  • Az NLP-fogalmak alapvető ismerete
  • Python programozási tapasztalat
  • A mély tanulási keretrendszerek ismerete, például TensorFlow vagy PyTorch

Közönség

  • Adattudósok
  • NLP mérnökök
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák