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

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie