Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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
