آموزش هوش مصنوعی کاربردی: ساخت برنامه های NLP با ترانسفورماتورهای صورت در آغوش گرفته

Applied AI: Building NLP Apps with Hugging Face Transformers

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

به دنبال گسترش مجموعه مهارت های خود در یادگیری عمیق هستید؟ نحوه استفاده از ترانسفورماتور Hugging Face برای ساخت برنامه های کاربردی پردازش زبان طبیعی (NLP) را بیاموزید. در این دوره، مربی Kumaran Ponnambalam به شما نشان می دهد که چگونه با استفاده از ترانسفورماتورهای از پیش آموزش دیده از کتابخانه Hugging Face، به سرعت و به راحتی مدل بسازید.

مدل‌های طراحی‌شده برای موارد استفاده رایج NLP مانند پاسخ‌گویی به سؤال، خلاصه‌سازی متن، تولید متن، ترجمه و موارد دیگر را کاوش کنید. کوماران نکاتی را برای سفارشی‌سازی مدل‌ها با یادگیری انتقال به شما ارائه می‌دهد تا نیازهای موارد استفاده خاص را برآورده کند—بهبود عملکرد شما و کاهش هزینه‌های شما در طول مسیر. دانش خود را برای شناسایی و غلبه بر چالش های رایج مدل سازی برای اطمینان از استقرار موفق و بدون خطا توسعه دهید. در پایان این دوره، زمانی که شروع به بکارگیری مهارت های جدید خود در محل کار می کنید، آماده خواهید بود که به بهترین شیوه ها و استانداردهای صنعتی پایبند باشید.


سرفصل ها و درس ها

معرفی Introduction

  • ساخت برنامه های NLP با Transformers Building NLP apps with Transformers

  • پوشش دوره و پیش نیازها Course coverage and prerequisites

  • تنظیم فایل های تمرین Setting up the exercise files

1. پرسش و پاسخ (Qu-An) 1. Question-Answering (Qu-An)

  • پرسش و پاسخ در NLP Question-answering in NLP

  • انواع پرسش و پاسخ Types of question-answering

  • ساخت خط لوله Qu-An Building a Qu-An pipeline

  • متریک SQUAD The SQuAD metric

  • ارزیابی عملکرد Qu-A Evaluating Qu-An performance

  • امتحان فصل Chapter Quiz

2. خلاصه سازی متن 2. Text Summarization

  • خلاصه سازی متن در NLP Text summarization in NLP

  • معماری مدل بارت The BART model architecture

  • خلاصه با خطوط لوله Summarization with pipelines

  • امتیاز ROUGE The ROUGE score

  • ارزیابی با ROUGE Evaluating with ROUGE

  • امتحان فصل Chapter Quiz

3. تولید زبان طبیعی 3. Natural Language Generation

  • تولید زبان طبیعی در NLP Natural language generation in NLP

  • تولید محتوا با Transformers Content creation with Transformers

  • تولید مکالمه Conversation generation

  • نمونه گفتگوی چت بات Chatbot conversation example

  • ترجمه ماشینی در NLP Machine translation in NLP

  • ترجمه با ترانسفورماتورهای صورت بغل کردن Translating with Hugging Face Transformers

  • امتحان فصل Chapter Quiz

4. سفارشی کردن مدل ها با آموزش انتقال 4. Customizing Models with Transfer Learning

  • آموزش یک مدل سفارشی Training a custom model

  • در حال بارگیری مجموعه داده Hugging Face Loading a Hugging Face dataset

  • کدگذاری و پیش پردازش مجموعه داده Encoding and preprocessing the dataset

  • سفارشی سازی معماری مدل Customizing the model architecture

  • آموزش مدل احساسات Training the sentiment model

  • پیش بینی با مدل سفارشی Predicting with the custom model

  • امتحان فصل Chapter Quiz

5. استقرار و استفاده از مدل های صورت در آغوش گرفته 5. Deploying and Using Hugging Face Models

  • چالش های استنتاج با ترانسفورماتورها Inference challenges with Transformers

  • سفارشی سازی مدل های از پیش آموزش دیده Customizing pretrained models

  • بررسی اجمالی فشرده سازی مدل Model compression overview

  • ارائه چندین مدل Serving multiple models

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • با در آغوش گرفتن صورت ادامه دهید Continuing with Hugging Face

نمایش نظرات

آموزش هوش مصنوعی کاربردی: ساخت برنامه های NLP با ترانسفورماتورهای صورت در آغوش گرفته
جزییات دوره
57m
35
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kumaran Ponnambalam Kumaran Ponnambalam

اختصاص به آموزش علوم داده

V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.