Natural Language Processing Training

4.900,00 SEK

  • 50 hours
Blandad inlärning
eLearning
Live Virtuellt Klassrum

Kursen i bearbetning av naturligt språk (NLP) erbjuder en djupgående utforskning av hur maskininlärningsalgoritmer används för att analysera och bearbeta stora mängder data på naturligt språk. Eftersom NLP fortsätter att driva framsteg inom AI, utrustar denna kurs dig med de väsentliga färdigheterna för att eftersträva en karriär som NLP-ingenjör. Under kursens gång kommer du att fördjupa dig i centrala koncept såsom statistisk maskinöversättning, neurala modeller, djupa semantiska likhetsmodeller (DSSM), neuralt inbäddning av kunskapsbaser och tekniker för djup förstärkningsinlärning. Dessutom kommer du att utforska tillämpningen av neurala modeller i bildtextning och visuell frågebesvarande, med hjälp av Pythons Natural Language Toolkit (NLTK).

Nyckelfunktioner

Språk

Kurs och material på engelska

Nivå

Nybörjare - Mellannivå

1 års tillgång

till plattformen & klassinspelningarna

6 timmars videolektioner

28 timmars online live-klass (Flexibel anmälan)

Studietid

Rekommendation om 50 timmars studietid

Virtuellt labb ingår

och 2 avslutande kursprojekt

Öva

2 Utvärderingstest

Ingen tentamen

men ett intyg på genomförande ingår

Hero

Lärandemål

I slutet av denna kurs kommer du att kunna:

Utför textbehandling

Förstå och implementera tekniker för att förbehandla och analysera textdata effektivt.

Utveckla NLP-moduler

Skapa funktionella NLP-komponenter som är kapabla att utföra uppgifter såsom språkmodellering och textgenerering

Bygg talmodeller

Utforma grundläggande modeller som kan omvandla tal till text och tvärtom, vilket underlättar sömlös interaktion mellan människa och dator

Arbeta med NLP-pipelines

Konstruera och hantera helhetslösningar för NLP-flöden, säkerställ effektiv databehandling och modellintegration

Klassificera och klustra text

Använd algoritmer för att kategorisera och gruppera liknande texter, vilket hjälper till med uppgifter som ämnesmodellering och sentimentanalys.

eLearning-innehåll

Hero
  1. Arbeta med textkorpus

    Lektion 1

    • Kursöversikten
    • Använd och tillgå den inbyggda korpusen i NLTK
    • Laddar ett korpus
    • Villkorlig frekvensfördelning
    • Exempel på lexikala resurser
  2. Bearbetning av råtext med NLTK

    Lektion 2

    • Arbeta med en NLP-pipeline
    • Implementering av tokenisering
    • Reguljära uttryck använda i tokenisering
  3. Naturligt språk

    Lektion 3

  4. Praktiskt verkligt exempel på textklassificering

    Lektion 4

    • Naiv Bayes-textklassificering
    • Åldersprediktionsapplikation
    • Dokumentklassificeringsapplikation
  5. Att hitta användbar information från högar av text

    Lektion 5

    • Idéernas hierarki eller chunking
    • Chunking i Python NLTK
    • Segmentering av icke-chunkmönster i NLTK
  6. Textanalys

    Lektion 6

  7. Utveckla en tal-till-text-applikation med Python

    Lektion 7

    • Python taligenkänningsmodul
    • Tal till text med återkommande naturliga nätverk
    • Tal till text med konvolutionella neuronnät
  8. Fler ämnen

    Lektion 8

    • Funktionsutvinning
    • Maskininlärning
    • Python-verktygslådor
    • Påsning
    • Djupinlärning
    • Demonstrationer

Innehåll för livelektion

Hero
  1. Introduktion till NLP

    Lektion 1

    • Definition och omfattning av NLP
    • Verkliga tillämpningar och betydelse av NLP
    • Grundläggande terminologi såsom korpus, tokenisering och syntaktisk analys
  2. Textdataanalys

    Lektion 2

    • Tekniker för datapreprocessering såsom tokenisering, borttagning av stoppord och ordstamning, lemmatisering
    • Textdatautforskning och visualisering
    • Funktionsframställning
    • Textklassificering - sentimentanalys med NLTK- Naive Bayes-klassificerare
  3. NLP-textvektorisering

    Lektion 3

    • Vektorrepresentation av text - envarm kodning
    • Förståelse av BoW-tekniken
    • TFIDF
  4. Distribuerade representationer

    Lektion 4

    • Arbetsinbäddningar och deras betydelse inom NLP
    • Detaljerad förklaring av Word2Vec- och Glove-inbäddningar
    • Träning och användning av förtränade ordinbäddningar
  5. Maskinöversättning och dokumentssökning

    Lektion 5

    • Maskinöversättningssystem och deras tillämpningar
    • Att bygga ett grundläggande system för maskinöversättning
    • Introduktion till dokumentssökning med TF-IDF och BM25
    • Utvärderingsmetriker för maskinöversättning och informationsåtervinning
  6. Sekvensmodeller

    Lektion 6

    • Introduktion till sekvensmodellering inom NLP
    • Återkommande neuronnätverk (RNNs) och deras tillämpningar
    • Tillämpning av sekvensmodeller i sentimentanalys
    • Utmaningar med att träna RNN:er såsom försvinnande gradienter
  7. Uppmärksamhetsmodeller

    Lektion 7

    • Sekvens till sekvens-modeller
    • Introduktion till uppmärksamhetsmekanismer i NLP
    • Fördjupad utforskning av transformatorarkitekturen
    • Moderna NLP-modeller som BERT och GPT som använder uppmärksamhetsmekanismer
  8. Ljudanalys

    Lektion 8

    • Python-ekosystem för ljudanalys
    • Läsa och spela upp ljudfiler med hjälp av Python-bibliotek
    • Ladda, visualisera och manipulera ljuddata
  9. Digital signalbehandling och egenskapsutvinning

    Lektion 9

    • Grunderna i signalbehandling
    • Frekvensdomänsanalys med hjälp av python
    • Introduktion till MFCCs och andra spektrala egenskaper
    • Implementering av funktionsutvinning i Python
    • Jämför olika tekniker för funktionsutvinning
  10. Djupinlärning för tal

    Lektion 10

    • Tillämpning av maskininlärning inom ljud
    • Bygga djupinlärningsmodeller för taligenkänning
    • Överföringsinlärning för taligenkänning
  11. Ljudsyntes och generativa modeller för ljud

    Lektion 11

    • Introduktion till generativa antagonistiska nätverk (GANs) för ljud
    • Generera realistiska ljudprover med GANs
    • Musikgenerering med djupinlärning
    • Tillämpa djupinlärning för att generera musik
    • Förståelse och implementering av modeller för musikkomposition
naturbehandling av språk

Vem bör anmäla sig till det här programmet?

Kursen i bearbetning av naturligt språk är idealisk för alla som vill bekanta sig med detta framväxande och spännande område inom artificiell intelligens (AI)

Förkunskapskrav

Studerande bör ha en grundläggande förståelse för matematik, statistik, dataanalys och maskininlärning.


Dataanalytiker och analytiker

Maskininlärning och AI-ingenjörer

Mjukvaruutvecklare

Forskare och akademiker

Affärs- och marknadsföringsproffs

Studenter i grundutbildnings-/avancerade program

Starta kursen nu

Vanliga frågor

Behöver du en företagslösning eller integration av LMS?

Hittade du inte kursen eller programmet som skulle passa för ditt företag? Behöver du LMS-integration? Skriv till oss! Vi löser det!