Návrh Školení

Úvod do jemného ladění NLP

  • Co je jemné doladění?
  • Výhody jemného doladění předtrénovaných jazykových modelů
  • Přehled oblíbených předtrénovaných modelů (GPT, BERT, T5)

Pochopení úkolů NLP

  • Analýza sentimentu
  • Textová sumarizace
  • Strojový překlad
  • Rozpoznávání pojmenované entity (NER)

Nastavení prostředí

  • Instalace a konfigurace Python a knihoven
  • Použití Hugging Face transformátorů pro úlohy NLP
  • Načítání a zkoumání předem vycvičených modelů

Techniky jemného ladění

  • Příprava datových sad pro úlohy NLP
  • Tokenizace a formátování vstupu
  • Jemné ladění pro klasifikaci, generování a překladové úlohy

Optimalizace výkonu modelu

  • Pochopení rychlosti učení a velikostí dávek
  • Použití regularizačních technik
  • Hodnocení výkonu modelu pomocí metrik

Praktické laboratoře

  • Jemné doladění BERT pro analýzu sentimentu
  • Jemné doladění T5 pro shrnutí textu
  • Jemné ladění GPT pro strojový překlad

Nasazení jemně vyladěných modelů

  • Export a ukládání modelů
  • Integrace modelů do aplikací
  • Základy nasazení modelů na cloudových platformách

Výzvy a osvědčené postupy

  • Vyvarujte se přemontování během jemného ladění
  • Zacházení s nevyváženými datovými sadami
  • Zajištění reprodukovatelnosti v experimentech

Budoucí trendy v jemném ladění NLP

  • Vznikající předtrénované modely
  • Pokroky v transferovém učení pro NLP
  • Zkoumání multimodálních aplikací NLP

Shrnutí a další kroky

Požadavky

  • Základní porozumění pojmům NLP
  • Zkušenosti s programováním Python
  • Znalost rámců hlubokého učení, jako jsou TensorFlow nebo PyTorch

Publikum

  • Datoví vědci
  • NLP inženýři
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie