Advanced Techniques in Natural Language Generation (NLG)

• Podstawowe zrozumienie koncepcji NLG
• Doświadczenie w programowaniu Python
• Znajomość modeli uczenia maszynowego

Publiczność

• Naukowcy zajmujący się danymi
• Programiści AI
• Inżynierowie uczenia maszynowego

Ten kurs zagłębia się w dziedzinę generowania języka naturalnego (NLG), koncentrując się na bardziej zaawansowanych technikach, takich jak modele oparte na transformatorach, dostrajanie dużych wstępnie wytrenowanych modeli i ocena wyników NLG. Zapewnia średnio zaawansowanym uczestnikom praktyczne doświadczenie w implementacji i optymalizacji modeli NLG dla różnych aplikacji.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych profesjonalistów, którzy chcą poprawić swoje umiejętności w generowaniu wysokiej jakości tekstu podobnego do ludzkiego przy użyciu zaawansowanych metod NLG.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć zaawansowane techniki generowania tekstu w języku naturalnym.
• Wdrożyć i dostroić modele oparte na transformatorach dla NLG.
• Optymalizować wyniki NLG pod kątem płynności, spójności i trafności.
• Ocenić jakość wygenerowanego tekstu przy użyciu zarówno automatycznych, jak i ludzkich wskaźników.

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.

Przegląd zaawansowanych technik NLG

• Przegląd podstawowych pojęć NLG
• Wprowadzenie do zaawansowanych metod NLG
• Rola transformatorów w nowoczesnym NLG

Wstępnie wytrenowane modele dla NLG

• Przegląd popularnych wstępnie wytrenowanych modeli (GPT, BERT, T5)
• Dostrajanie wstępnie wytrenowanych modeli do określonych zadań
• Trenowanie niestandardowych modeli z dużymi zestawami danych

Ulepszanie wyników NLG

• Obsługa spójności i trafności w generowaniu tekstu
• Kontrolowanie długości i zawartości tekstu przy użyciu metod NLG
• Techniki redukcji powtórzeń i poprawy płynności

Etyczny i odpowiedzialny NLG

• Zrozumienie etycznych wyzwań związanych z treściami generowanymi przez sztuczną inteligencję
• Radzenie sobie z uprzedzeniami w modelach NLG
• Zapewnienie odpowiedzialnego korzystania z technologii NLG

Praktyczna praca z zaawansowanymi bibliotekami NLG

• Praca z transformatorami Hugging Face dla NLG
• Wdrażanie GPT-3 i innych najnowocześniejszych modeli
• Generowanie treści specyficznych dla domeny przy użyciu NLG

Ocena systemów NLG

• Techniki oceny modeli NLG
• Zautomatyzowane metryki oceny (BLEU, ROUGE, METEOR)
• Ludzkie metody oceny w celu zapewnienia jakości

Przyszłe trendy w NLG

• Nowe techniki w badaniach NLG
• Wyzwania i możliwości w rozwoju NLG
• Wpływ NLG na branże i tworzenie treści

Podsumowanie i kolejne kroki