Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie
- Przegląd NLP i jego zastosowań
- Wprowadzenie do Hugging Face i jego kluczowych funkcji
Konfiguracja środowiska pracy
- Instalacja i konfiguracja Hugging Face
Zrozumienie biblioteki Hugging Face Transformers i modeli Transformer
- Eksploracja struktury i funkcjonalności biblioteki Transformers
- Przegląd różnych modeli Transformer dostępnych w Hugging Face
Wykorzystanie Hugging Face Transformers
- Ładowanie i używanie wstępnie wytrenowanych modeli
- Zastosowanie Transformerów do różnych zadań NLP
Dostosowywanie wstępnie wytrenowanego modelu
- Przygotowanie zestawu danych do dostosowania
- Dostosowywanie modelu Transformer do konkretnego zadania
Udostępnianie modeli i tokenizerów
- Eksportowanie i udostępnianie wytrenowanych modeli
- Wykorzystywanie tokenizerów do przetwarzania tekstu
Eksploracja biblioteki Hugging Face Datasets
- Przegląd biblioteki Datasets w Hugging Face
- Dostęp i wykorzystanie istniejących zestawów danych
Eksploracja biblioteki Hugging Face Tokenizers
- Zrozumienie technik tokenizacji i ich znaczenia
- Wykorzystywanie tokenizerów z Hugging Face
Realizacja klasycznych zadań NLP
- Implementacja typowych zadań NLP z wykorzystaniem Hugging Face
- Klasyfikacja tekstu, analiza sentymentu, rozpoznawanie nazwanych jednostek itp.
Wykorzystanie modeli Transformer do zadań w przetwarzaniu mowy i widzeniu komputerowym
- Rozszerzenie zastosowania Transformerów poza zadania oparte na tekście
- Zastosowanie Transformerów 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
- Efektywne udostępnianie i prezentowanie swoich modeli
Podsumowanie i kolejne kroki
- Podsumowanie kluczowych koncepcji i technik
- Wskazówki dotyczące dalszego eksplorowania i zasobów do kontynuowania nauki
Wymagania
- Dobra znajomość Pythona
- Doświadczenie w uczeniu głębokim
- Znajomość PyTorch lub TensorFlow jest korzystna, ale nie jest wymagana
Grupa docelowa
- Naukowcy zajmujący się danymi
- Praktycy uczenia maszynowego
- Badacze i entuzjaści NLP
- Programiści zainteresowani wdrażaniem rozwiązań NLP
14 godzin