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 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 transformatorów do rozwiązywania 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 podczas 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.
Uczestnicy
- Naukowcy zajmujący się danymi
- Praktycy uczenia maszynowego
- Badacze i entuzjaści NLP
- Programiści zainteresowani wdrażaniem rozwiązań NLP
14 godzin
