Машинное обучение для анализа естественного языка (NLP)

Name: Машинное обучение для анализа естественного языка (NLP)
Brand: Учебный центр IBS
SKU: 147504
Price: 42000 RUB

Научитесь применять машинное обучение для анализа текстов и решения реальных задач NLP. Курс сочетает теорию и практику: от предобработки текстов до работы с BERT и GPT. Освойте современные методы обработки естественного языка (NLP) и научитесь применять их в проектах. Уникальность — акцент на практику с использованием Python и предобученных моделей. Тренинг по обработке естественного языка с помощью машинного обучения предназначен для тех, кто хочет познакомиться со сложными методами обработки текстовых данных. Он включает в себя необходимый минимум теории и большой объем практических занятий, позволяющих участникам овладеть необходимыми навыками для работы в области анализа данных. К каждому модулю предлагаются задания для самостоятельного выполнения - домашние работы. В рамках тренинга участники изучат методы преобразования текстовых данных, такие как стемминг, лемматизация и векторизация, а также базовые задачи, которые могут быть решены с помощью методов машинного обучения, такие как классификация, суммаризация текстов, выделение имен и другие. Будет уделено особое внимание практическому применению методов машинного обучения на языке Python с использованием современных нейросетей, таких как FastText, BERT и GPT-2.

Обучение 24 часа

сертификат

Стоимость курса

42 000 ₽ 42 900 ₽

Рассрочка ₽/мес

Перейти на сайт

Программа курса
Чему вы научитесь
Мой рейтинг
Подробная информация о курсе
Отзывы

Программа курса

Ознакомьтесь с программой курса «Машинное обучение для анализа естественного языка (NLP)» от Учебный центр IBS - ibs-training.ru

Основы машинного обучения. Задачи машинного обучения. Базовые библиотеки для машинного обучения (Pandas, Scikit-learn, Matplotlib). Признаки и работа с ними. Валидация данных и оценка качества алгоритмов. Функции потерь, метрики качества. Разделение набора да…
Основы обработки текстов. Задачи обработки текстов. Методы предобработки и выделения признаков в анализе текстов. Предобработка текстов: “мешок слов”, TF-IDF, регулярные выражения, сегментация, лемматизация, стоп-слова, части речи. Простые векторные представл…
Эмбеддинги в обработке текстов. Обучаемые векторные представления слов: word2vec (CBOW, skipGram), GloVe, fastText. Методы обучения и донастройки неглубоких эмбеддингов. Использование неглубоких эмбеддингов для классификации. Практика: Использование word2vec…
Методы классификации и разметки текстов. Архитектура и применение сверточных нейронных сетей для задач классификации. Разметка последовательностей: скрытые марковские модели, рекуррентные сети. Сети RNN, LSTM, GRU. Извлечение именованных сущностей. Практика:…
Методы снижения размерности. Извлечение ключевых слов. Суммаризация текстов. Тематическое моделирование: PLSA, LDA, ARTM. Практика: Использование BigARTM. [Теория — 1 час, практика + демо — 3 часа, д/з — 2 часа].
Предобученные языковые модели. Архитектура трансформеров, механизмы внимания. Энкодерные архитектуры ELMo, BERT, RuBERT. Декодерные архитектуры GPT2, GPT3, RuGPT. XLNet. Мультиязычные модели. Практика: Использование BERT, RuGPT. [Теория — 1 час, демо — 3 часа…
Всего: теория — 7 часов (30%), демо и практика — 17 часов (70%). Домашние задания — 9 часов (+ 38%).

Ознакомиться со всей программой

Чему вы научитесь

Научитесь уверенно работать с темой: эмбеддинги в обработке текстов. обучаемые векторные представления слов word2vec (cbow, skipgram), glove, fasttext. методы обучения и донастройки неглубоких эмбеддингов. использован…
Освоите основы: методы снижения размерности. извлечение ключевых слов. суммаризация текстов. тематическое моделирование plsa, lda, artm. практика использование bigartm. [теория 1 час, практика + демо 3 часа, д/з 2 часа].
Освоите основы: основы обработки текстов. задачи обработки текстов. методы предобработки и выделения признаков в анализе текстов. предобработка текстов “мешок слов”, tf idf, регулярные выражения, сегментация, лемматиз…
Освоите основы: всего теория 7 часов (30%), демо и практика 17 часов (70%). домашние задания 9 часов (+ 38%).
Методы классификации и разметки текстов. Архитектура и применение сверточных нейронных сетей для задач классификации. Разметка последовательностей скрытые марковские модели, рекуррентные сети. Сети RNN, LSTM, GRU. Из…