Hugging Face for Natural Language Processing (NLP)

• Dobra znajomość Python
• Doświadczenie z głębokim uczeniem
• Znajomość PyTorch lub TensorFlow jest korzystna, ale nie wymagana.

Publiczność

• Naukowcy zajmujący się danymi
• Praktycy uczenia maszynowego
• Badacze i entuzjaści NLP
• Programiści zainteresowani wdrażaniem rozwiązań NLP

Hugging Face to potężna biblioteka open source i platforma do przetwarzania języka naturalnego (NLP).

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, praktyków uczenia maszynowego oraz badaczy i entuzjastów NLP, którzy chcą efektywnie wykorzystać Hugging Face do zadań NLP.

Pod koniec tego szkolenia uczestnicy będą mogli

• Wykorzystać model Hugging Face Transformer i dostroić go na określonym zbiorze danych.
• Zdobyć umiejętność samodzielnego radzenia sobie z typowymi wyzwaniami NLP.
• Skutecznie tworzyć i udostępniać demonstracje swoich modeli.
• Usprawnienie optymalizacji modeli pod kątem produkcji.
• Wykorzystanie Hugging Face Transformers do rozwiązywania szerokiego zakresu problemów związanych z uczeniem maszynowym.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

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