Kurzusleírás
Bevezetés
- Az NLP és alkalmazásai áttekintése
- Bevezetés a Hugging Face-ba és főbb jellemzőibe
Munkakörnyezet kialakítása
- Telepítés és konfigurálás Hugging Face
A Hugging Face Transformers könyvtár és a Transformer Models megértése
- A Transformers könyvtár szerkezetének és funkcióinak feltárása
- A különböző Transformer modellek áttekintése a következő helyen: Hugging Face
Hugging Face transzformátorok felhasználása
- Előképzett modellek betöltése és használata
- Transzformátorok alkalmazása különféle NLP feladatokhoz
Előképzett modell finomhangolása
- Adatkészlet előkészítése a finomhangoláshoz
- A Transformer modell finomhangolása egy adott feladathoz
Modellek és tokenizátorok megosztása
- Képzett modellek exportálása és megosztása
- Tokenizerek használata szövegfeldolgozáshoz
Exploring Hugging Face Datasets Library
- A Datasets könyvtár áttekintése itt: Hugging Face
- Access már létező adatkészletek feldolgozása és felhasználása
A Hugging Face Tokenizers Library felfedezése
- A tokenizációs technikák és fontosságuk megértése
- A tokenizátorok kihasználása a Hugging Face-tól
Klasszikus NLP feladatok végrehajtása
- Általános NLP feladatok végrehajtása a Hugging Face segítségével
- Szövegosztályozás, hangulatelemzés, elnevezett entitás felismerés stb.
Transzformátormodellek kiaknázása a beszédfeldolgozás és a látás Computer feladatainak megoldásához
- A Transformers használatának kiterjesztése a szöveges feladatokon túlra
- Transzformátorok alkalmazása beszéddel és képpel kapcsolatos feladatokra
Hibaelhárítás és hibakeresés
- Gyakori problémák és kihívások a következővel való munka során: Hugging Face
- Hibaelhárítási és hibakeresési technikák
Modelldemók készítése és megosztása
- Interaktív modellbemutatók tervezése és készítése
- A modellek hatékony megosztása és bemutatása
Összegzés és a következő lépések
- Összefoglaló a tanult kulcsfogalmakról és technikákról
- Útmutató a további felfedezéshez és források a folyamatos tanuláshoz
Követelmények
- A Python alapos tanulási tapasztalata A PyTorch vagy TensorFlow ismerete előnyt jelent, de nem kötelező
Közönség
- Adattudósok Gépi tanulással foglalkozó szakemberek NLP-kutatók és rajongók Az NLP-megoldások bevezetése iránt érdeklődő fejlesztők
Vélemények (2)
This is one of the best hands-on with exercises programming courses I have ever taken.
Laura Kahn
Kurzus - Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
I did like the exercises