О чём курс

Тренинг по обработке естественного языка с помощью машинного обучения предназначен для тех, кто хочет познакомиться со сложными методами обработки текстовых данных. Он включает в себя необходимый минимум теории и большой объем практических занятий, позволяющих участникам овладеть необходимыми навыками для работы в области анализа данных. К каждому модулю предлагаются задания для самостоятельного выполнения - домашние работы.

В рамках тренинга участники изучат методы преобразования текстовых данных, такие как стемминг, лемматизация и векторизация, а также базовые задачи, которые могут быть решены с помощью методов машинного обучения, такие как классификация, суммаризация текстов, выделение имен и другие. Будет уделено особое внимание практическому применению методов машинного обучения на языке Python с использованием современных нейросетей, таких как FastText, BERT и GPT-2.

Цели

  • Ознакомление с основами машинного обучения и обработки текстов;
  • Изучение методов предобработки текстов и извлечения признаков для анализа текстовых данных;
  • Понимание методов валидации данных и оценки качества алгоритмов;
  • Изучение методов классификации и разметки текстов, включая использование сверточных и рекуррентных нейронных сетей;
  • Понимание методов снижения размерности и их применения для извлечения ключевых слов, суммаризации текстов и тематического моделирования;
  • Ознакомление с предобученными языковыми моделями и их применением для работы с текстовыми данными;
  • Приобретение практических навыков работы с библиотеками для машинного обучения и обработки текстов, такими как Scikit-learn, NLTK, gensim;
  • Развитие навыков работы с текстовыми данными и применения современных методов машинного обучения для решения задач в этой области;
  • Подготовка к работе с реальными проектами в области анализа текстовых данных.

Целевая аудитория

Аналитики, разработчики, архитекторы, системные проектировщики, менеджеры проектов, связанных с данными, технические лидеры/ведущие разработчики в любых проектах, связанных с данными.

Предварительная подготовка

Умение читать простой код на Python и писать на любом скриптовом языке.

Темы курса

01 Модуль 1. Основы машинного обучения (теория 2 ч, практика + демо 2 ч, дз 1,5 ч)
  • Задачи машинного обучения. Базовые библиотеки для машинного обучения (Pandas, Scikit-learn, Matplotlib).
  • Признаки и работа с ними. Валидация данных и оценка качества алгоритмов. Функции потерь, метрики качества. Разделение набора данных. Кросс-валидация.
  • Практика: Предобработка и визуализация данных, классические модели ML.

02 Модуль 2. Основы обработки текстов (теория 1ч, практика + демо 3ч, дз 1 ч)
  • Задачи обработки текстов. Методы предобработки и выделения признаков в анализе текстов.
  • Предобработка текстов: “мешок слов”, TF-IDF, регулярные выражения, сегментация, лемматизация, стоп-слова, части речи. Простые векторные представления слов: Оne-hot векторы, SVD, Hashing Trick.
  • Библиотеки NLTK, gensim, SpaCy, Yargy.
  • Практика: Предобработка текстов.
03 Модуль 3. Эмбеддинги в обработке текстов (теория 1ч, практика + демо 3ч)
  • Обучаемые векторные представления слов: word2vec (CBOW, skipGram), GloVe, fastText. Методы обучения и донастройки неглубоких эмбеддингов. Использование неглубоких эмбеддингов для классификации.
  • Практика: Использование word2vec и fastText.
04 Модуль 4. Методы классификации и разметки текстов (теория 1ч, практика + демо 3ч, дз 3 ч)
  • Архитектура и применение сверточных нейронных сетей для задач классификации.
  • Разметка последовательностей: скрытые марковские модели, рекуррентные сети. Сети RNN, LSTM, GRU.
  • Извлечение именованных сущностей.
  • Практика: Использование CNN и LSTM.
05 Модуль 5. Методы снижения размерности (теория 1ч, практика + демо 3ч, дз 2 ч)
  • Извлечение ключевых слов. Суммаризация текстов. Тематическое моделирование: PLSA, LDA, ARTM.
  • Практика: Использование BigARTM.
06 Модуль 6. Предобученные языковые модели (теория 1ч, демо 3ч, дз 1,5 ч)
  • Архитектура трансформеров, механизмы внимания. Энкодерные архитектуры ELMo, BERT, RuBERT.
  • Декодерные архитектуры GPT2, GPT3, RuGPT. XLNet. Мультиязычные модели.
  • Практика: Использование BERT, RuGPT.
07 Всего: теория 7 ч (30%), демо и практика 17 ч (70%). Домашние задания 9 ч (+ 38%)

39 900 ₽

35 910 ₽ — для физ. лиц

Записаться на курс

39 900 ₽

35 910 ₽ — для физ. лиц

Записаться на курс

Записаться на курс

39 900 ₽

35 910 ₽ — для физ. лиц

Юр. лицо — 39 900 ₽
Физ. лицо — 35 910 ₽
Открытая дата
Продолжая, я подтверждаю, что ознакомлен с Условиями использования и Порядком обработки персональных данных

Наши ученики работают в:

Наши клиенты

Mail.ru
Альфа-Банк, банковская группа
Лаборатория Касперского
Магнит, розничная сеть
Спортмастер, сеть спортивных магазинов
ПСБ
Сбертех
Дзен
IT One
Ростелеком
Мегафон
Nexign
Ozon
Декатлон
X5 Group
Технониколь
Росатом
Газпром
Нлмк
ВСК
Синимекс

Не нашли, что искали? — Просто напишите, и мы поможем

Продолжая, я подтверждаю, что ознакомлен с Условиями использования и Порядком обработки персональных данных
Корпоративное обучение Оценка персонала Сертификация О нас Стань тренером Блог
Пользователь только что записался на курс ""
Спасибо!
Форма отправлена успешно.