Plan Szkolenia

Wprowadzenie

  • Przegląd NLP i jego zastosowań
  • Wprowadzenie do Hugging Face i jego kluczowych cech

Konfiguracja środowiska pracy

  • Instalowanie i konfigurowanie Hugging Face

Zrozumienie biblioteki Hugging Face Transformers i modeli transformatorów

  • Poznanie struktury i funkcjonalności biblioteki Transformers
  • Przegląd różnych modeli transformatorów dostępnych w Hugging Face

Korzystanie z Hugging Face Transformers

  • Ładowanie i używanie wstępnie wytrenowanych modeli
  • Stosowanie transformatorów do różnych zadań NLP

Dostrajanie wstępnie wytrenowanego modelu

  • Przygotowanie zestawu danych do dostrajania
  • Dostrajanie modelu Transformer do określonego zadania

Udostępnianie modeli i tokenizerów

  • Eksportowanie i udostępnianie wytrenowanych modeli
  • Wykorzystanie tokenizerów do przetwarzania tekstu

Eksplorowanie biblioteki Hugging Face Datasets

  • Przegląd biblioteki Datasets w Hugging Face
  • Accesswgrywanie i wykorzystywanie wcześniej istniejących zestawów danych

Eksplorowanie biblioteki Hugging Face Tokenizers

  • Zrozumienie technik tokenizacji i ich znaczenia
  • Wykorzystywanie tokenizerów z Hugging Face

Wykonywanie klasycznych zadań NLP

  • Wdrażanie typowych zadań NLP przy użyciu Hugging Face
  • Klasyfikacja tekstu, analiza sentymentu, rozpoznawanie encji nazwanych itp.

Wykorzystanie modeli transformatorowych do realizacji zadań w przetwarzaniu mowy i Computer Vision

  • Rozszerzenie zastosowania transformat poza zadania tekstowe
  • Zastosowanie transformat do zadań związanych z mową i obrazem

Rozwiązywanie problemów i debugowanie

  • Typowe problemy i wyzwania w pracy z Hugging Face
  • Techniki rozwiązywania problemów i debugowania

Tworzenie i udostępnianie demonstracji modeli

  • Projektowanie i tworzenie interaktywnych demonstracji modeli
  • Skuteczne udostępnianie i prezentowanie modeli

Podsumowanie i kolejne kroki

  • Podsumowanie kluczowych pojęć i poznanych technik
  • Wskazówki dotyczące dalszej eksploracji i zasoby do dalszej nauki

Wymagania

    Dobra znajomość Python Doświadczenie z głębokim uczeniem Znajomość PyTorch lub TensorFlow jest korzystna, ale nie wymagana

Publiczność

    Analitycy danych Praktycy uczenia maszynowego Badacze i entuzjaści NLP Programiści zainteresowani wdrażaniem rozwiązań NLP
 14 godzin

Liczba uczestników



Cena za uczestnika

Powiązane Kategorie