Adding Value Consulting
Natural Language Processing Training
AI & Machine Learning

Natural Language Processing Training

3.900,00 DKK

  • 50 hours
Blandet Læring
eLearning
Live Virtuelt Klasselokale

Kurset i Natural Language Processing (NLP) tilbyder en grundig undersøgelse af, hvordan maskinlæringsalgoritmer bruges til at analysere og behandle store mængder af natursproglige data. I takt med at NLP fortsætter med at drive fremskridt inden for AI, udstyrer dette kursus dig med de essentielle færdigheder til at forfølge en karriere som NLP-ingeniør. I løbet af kurset vil du dykke ned i nøglekoncepter såsom statistisk maskinoversættelse, neurale modeller, dybe semantiske lighedsmodeller (DSSM), neurale videnbaseindlejringer og dybe forstærkningslæringsteknikker. Derudover vil du udforske anvendelsen af neurale modeller i billedtekstning og visuel spørgsmålsbesvarelse, idet du anvender Pythons Natural Language Toolkit (NLTK).

Vigtige funktioner

Sprog

Kursus og materiale på engelsk

Niveau

Begynder - Mellemniveau

1 års adgang

til platformen & klasseoptagelserne

6 timers videoundervisning

28 timers online live undervisning (fleksibel tilmelding)

Studietid

Anbefaling om 50 timers studietid

Virtuelt laboratorium inkluderet

og 2 afsluttende kursusprojekter

Øvelse

2 Vurderingsprøve

Ingen eksamen

men certifikat for gennemførelse inkluderet

Hero

Læringsresultater

Ved afslutningen af dette kursus vil du være i stand til at:

Udfør tekstbehandling

Forstå og implementer teknikker til effektiv forbehandling og analyse af tekstdata.

Udvikle NLP-moduler

Skab funktionelle NLP-komponenter, der er i stand til opgaver såsom sprogmodellering og tekstgenerering

Opbyg talemodeller

Design grundlæggende modeller, der kan konvertere tale til tekst og omvendt, hvilket muliggør en problemfri interaktion mellem menneske og computer

Arbejd med NLP-pipelines

Konstruer og håndter ende-til-ende NLP-workflows, og sikr effektiv databehandling og modelintegration

Klassificer og gruppér tekst

Anvend algoritmer til at kategorisere og gruppere lignende tekster, hvilket hjælper med opgaver som emnemodellering og sentimentanalyse.

eLearning-indhold

Hero

  1. Arbejde med tekstkorpus

    Lektion 1

    • Kursusoversigten
    • Få adgang til og brug den indbyggede korpus i NLTK
    • Indlæser et korpus
    • Betinget frekvensfordeling
    • Eksempel på leksikale ressourcer

  2. Behandling af rå tekst med NLTK

    Lektion 2

    • Arbejde med en NLP-pipeline
    • Implementering af tokenisering
    • Regulære udtryk brugt i tokenisering

  3. Naturligt sprog

    Lektion 3

  4. Praktisk eksempel fra den virkelige verden af tekstklassifikation

    Lektion 4

    • Naiv Bayes-tekstklassificering
    • Aldersforudsigelsesapplikation
    • Dokumentklassificeringsapplikation

  5. At finde nyttig information i bunker af tekst

    Lektion 5

    • Hierarki af ideer eller opdeling i bidder
    • Chunking i Python NLTK
    • Opdeling af ikke-chunk mønstre i NLTK

  6. Tekstanalyse

    Lektion 6

  7. Udvikling af en tale-til-tekst-applikation ved brug af Python

    Lektion 7

    • Python talegenkendelsesmodul
    • Tale til tekst med tilbagevendende naturlige netværk
    • Tale til tekst med konvolutionelle neurale netværk

  8. Flere emner

    Lektion 8

    • Funktionsekstraktion
    • Maskinlæring
    • Python-værktøjssæt
    • Posefyldning
    • Dybt lærende
    • Demonstrationer

Live klasseindhold

Hero

  1. Introduktion til NLP

    Lektion 1

    • Definition og anvendelsesområde for NLP
    • Virkelige anvendelser og betydning af NLP
    • Grundlæggende terminologi såsom korpus, tokenisering og syntaktisk analyse

  2. Tekstdataanalyse

    Lektion 2

    • Datapræprocesseringsteknikker som tokenisering, fjernelse af stopord og stemming, lemmatisering
    • Tekstdata udforskning og visualisering
    • Feature Engineering
    • Tekstkategorisering - sentimentanalyse ved brug af NLTK - Naive Bayes-klassifikator

  3. NLP-tekstvektorisering

    Lektion 3

    • Vektorrepræsentation af tekst - one hot-kodning
    • Forståelse af BoW-teknikken
    • TFIDF

  4. Distribuerede repræsentationer

    Lektion 4

    • Ordningsinddelinger og deres betydning i NLP
    • Detaljeret forklaring af Word2Vec og Glove indlejringer
    • Træning og brug af foruddannede ordindbygninger

  5. Maskinoversættelse og dokumentssøgning

    Lektion 5

    • Maskinoversættelsessystemer og deres anvendelser
    • Opbygning af et grundlæggende maskinoversættelsessystem
    • Introduktion til dokumentssøgning ved brug af TF-IDF og BM25
    • Evaluering af målemetoder for maskinoversættelse og informationssøgning

  6. Sekvensmodeller

    Lektion 6

    • Introduktion til sekvensmodellering i NLP
    • Tilbagevendende neurale netværk (RNN'er) og deres anvendelser
    • Anvendelse af sekvensmodeller i sentimentanalyse
    • Udfordringer ved træning af RNN'er såsom forsvindende gradienter

  7. Opmærksomhedsmodeller

    Lektion 7

    • Sekvens til sekvens modeller
    • Introduktion til opmærksomhedsmekanismer i NLP
    • Dybtgående udforskning af transformer-arkitekturen
    • Moderne NLP-modeller som BERT og GPT, der anvender opmærksomhedsmekanismer

  8. Lydanalyse

    Lektion 8

    • Python-økosystem til lydanalyse
    • Læsning og afspilning af lydfiler ved hjælp af Python-biblioteker
    • Indlæs, visualiser og manipuler lyddata

  9. Digital signalbehandling og trækudvinding

    Lektion 9

    • Grundlæggende om signalbehandling
    • Frekvensdomæneanalyse ved brug af python
    • Introduktion til MFCC'er og andre spektrale træk
    • Implementering af træksudvinding i Python
    • Sammenlign forskellige teknikker til trækudvinding

  10. Dyb indlæring for tale

    Lektion 10

    • Anvendelse af maskinlæring i lyd
    • Opbygning af dyb læringsmodeller til talegenkendelse
    • Transfer learning for talegenkendelse

  11. Lyd syntese og generative modeller for lyd

    Lektion 11

    • Introduktion til generative modstandernetværk (GANs) for lyd
    • Generering af realistiske lydprøver ved hjælp af GAN'er
    • Musikgenerering med dyb læring
    • Anvendelse af dyb læring til at generere musik
    • Forståelse og implementering af modeller til musikkomposition
naturalsprogsforarbejdning

Hvem bør tilmelde sig dette program?

Kurset i behandling af naturligt sprog er ideelt for enhver, der ønsker at blive fortrolig med dette nye og spændende område inden for kunstig intelligens (AI)

Forudsætninger

Studerende bør have en grundlæggende forståelse for matematik, statistik, datalogi og maskinlæring.


Dataforskere og analytikere

Maskinlæring og AI-ingeniører

Softwareudviklere

Forskningsstipendiater og akademikere

Forretnings- og marketingprofessionelle

Studerende i bachelor-/ kandidatuddannelser

Start kursus nu

Ofte stillede spørgsmål

Har du brug for virksomhedsløsninger eller LMS-integration?

Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!