Войти
    Смотреть все результаты
    Поиск Избранное Корзина Войти
    Открыть подменюКатегории

    OTUS

    NLP / Natural Language Processing

    • Язык: Русский
    • Осталось мест: не ограничено
    66 000 ₽/курс
    Записаться
    Вы будете перенаправлены на сайт партнера.

    NLP / Natural Language Processing

    Для кого этот курс?

    Для дата-сайентистов, аналитиков данных и специалистов по машинному обучению. 

     

    Необходимые знания:

    • базовое знакомство с Python
    • базовые знания линейной алгебры, математического анализа, математической статистики
    • базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)

    Что такое Natural Language Processing? 

    Natural Language Processing (NLP, обработка естественного языка)– это направление, которое объединяет в себе лингвистику, компьютерные науки и искусственный интеллект. NLP применяет алгоритмы машинного обучения для анализа естественных языков, ResNet и EfficientNet, до самых современных Vision Transformers, таких как MViT

     

    Хотите изучить или повторить Python, математический анализ и основны ML?

    Посмотрите программу ДПО Machine Learning Специализация

    Подходит ли эта программа именно вам?

    Пройдите короткий тест, который проверяет ваше знание пререквизитов, а именно математики и Python, которые понадобятся вам на курсе

    Подскажем какие навыки и где прокачать

    Узнать
    Программа обучения
    • Python для работы с текстами

      Вводный модуль, посвященный повторению основных методов работы с данными в Python и работе с текстами. В модуле также рассмотрены методы парсинга данных и методы работы с регулярными выражениями — необходимые навыки в NLP.

      Тема 1: Введение в NLP

      Тема 2: Recap python/ data analysis/ визуализации

      Тема 3: Работа со строками + регулярные выражения

      Тема 4: Парсинг данных

    • Введение в DL

      Вводный модуль по Deep Learning. Данный модуль дает общее представление о нейронных сетях, фокусируясь на методах и архитектурах, востребованных в NLP.

      Тема 1: Введение в нейросети

      Тема 2: Градиентный спуск и backpropagation

      Тема 3: PyTorch. Часть 1

      Тема 4: PyTorch. Часть 2

      Тема 5: Рекуррентные сети. Часть 1

      Тема 6: Рекуррентные сети. Часть 2

    • Классичесикие методы NLP и трансформерные модели

      Модуль посвящен традиционным подходам в обработке естественного языка. В нем рассматриваются ключевые этапы предобработки текстовых данных, различные способы представления слов в векторном пространстве, а также классические рекуррентные нейросетевые архитектуры, включая RNN и seq2seq, используемые для задач машинного перевода и генерации текста.

      Тема 1: Предобработка данных и векторные представления слов

      Тема 2: Понятие языковой модели, RNN для работы с текстом

      Тема 3: Машинный перевод и seq2seq

    • Трансформерные модели

      Модуль посвящен современным трансформерным моделям и их применению в NLP. В нем изучаются архитектура Transformer, механизмы transfer learning, модель BERT и работа с предобученными языковыми моделями. Рассматриваются задачи именованного распознавания сущностей (NER), генеративные языковые модели, а также подходы к промптингу и использование LLM в диалоговых системах.

      Тема 1: Архитектура Transformer

      Тема 2: Transfer learning; BERT model

      Тема 3: Работа с предобученными языковыми моделями. Задача NER

      Тема 4: Генеративные языковые модели и энкодер-декодер архитектуры

      Тема 5: Towards ChatGPT

      Тема 6: Теория промптинга LLM

      Тема 7: Q&A

    • Дополнительные главы NLP

      В модуле рассмотрены дополнительные вопросы из области NLP, выходящие за рамки основной программы: распределенные вычисления, вопросы оценки языковых моделей, тематическое моделирование. На практике будет рассмотрено, как создавать телеграмм-ботов и встраивать в них обученные модели.

      Тема 1: Оценка LLM

      Тема 2: Создание телеграм-бота

    • Проектный модуль

      Проектный модуль, во время которого студенты выполняют финальную работу на основе методов, изученных на курсе.

      Тема 1: Выбор темы и организация проектной работы

      Тема 2: Предзащита №1

      Тема 3: Предзащита №2

      Тема 4: Защита проектных работ

    Преподаватели

    • Андрей Коняев

      Data Scientist (NLP)

    • Александр Брут-Бруляко

      DS инженер (к.э.н.)

    • Дмитрий Гайнуллин

      Machine Learning Engineer

    • Мария Тихонова

      PhD Computer Science, Senior Data Scientist

    • Алексей Кисляков

      (д.э.н., к.т.н.) преподаватель/ученый-исследователь

    • Алексей Клочков

      Data Science Team Lead

    • Александр Гавриленко

      Биоинформатик

    Закрыть меню