Schulungsübersicht
Einführung
- Überblick über NLP und seine Anwendungen
- Einführung in Hugging Face und seine wichtigsten Merkmale
Einrichten einer Arbeitsumgebung
- Installieren und Konfigurieren von Hugging Face
Verstehen der Hugging Face-Transformer-Bibliothek und der Transformer-Modelle
- Erforschung der Struktur und der Funktionalitäten der Transformers-Bibliothek
- Überblick über die verschiedenen in Hugging Face verfügbaren Transformer-Modelle
Verwendung von Hugging Face-Transformern
- Laden und Verwenden von vortrainierten Modellen
- Anwendung von Transformers für verschiedene NLP-Aufgaben
Feinabstimmung eines vortrainierten Modells
- Vorbereiten eines Datensatzes für die Feinabstimmung
- Feinabstimmung eines Transformer-Modells für eine bestimmte Aufgabe
Gemeinsame Nutzung von Modellen und Tokenizern
- Exportieren und gemeinsame Nutzung trainierter Modelle
- Verwendung von Tokenizern für die Textverarbeitung
Erkunden der Hugging Face Datasets-Bibliothek
- Überblick über die Datasets-Bibliothek in Hugging Face
- Accessing und Nutzung von bereits existierenden Datensätzen
Erforschung der Hugging Face Tokenizers Bibliothek
- Verstehen von Tokenisierungstechniken und ihrer Bedeutung
- Nutzen von Tokenizern aus Hugging Face
Ausführen klassischer NLP-Aufgaben
- Gemeinsame NLP-Aufgaben mit Hugging Face implementieren
- Textklassifikation, Stimmungsanalyse, Named Entity Recognition, etc.
Nutzung von Transformatorenmodellen zur Lösung von Aufgaben in der Sprachverarbeitung und Computer Vision
- Ausweitung des Einsatzes von Transformers über textbasierte Aufgaben hinaus
- Anwendung von Transformatoren für sprach- und bildbezogene Aufgaben
Fehlersuche und Debugging
- Häufige Probleme und Herausforderungen bei der Arbeit mit Hugging Face
- Techniken zur Fehlersuche und -behebung
Erstellen und Weitergeben Ihrer Modelldemos
- Entwerfen und Erstellen interaktiver Modelldemos
- Effektive gemeinsame Nutzung und Präsentation Ihrer Modelle
Zusammenfassung und nächste Schritte
- Zusammenfassung der wichtigsten gelernten Konzepte und Techniken
- Hinweise zur weiteren Erkundung und Ressourcen für das weitere Lernen
Voraussetzungen
- Gute Kenntnisse in Python Erfahrung mit Deep Learning. Vertrautheit mit PyTorch oder TensorFlow ist von Vorteil, aber nicht erforderlich
Publikum
- Datenwissenschaftler, Praktiker des maschinellen Lernens, NLP-Forscher und -Enthusiasten, Entwickler, die an der Implementierung von NLP-Lösungen interessiert sind
Erfahrungsberichte (2)
This is one of the best hands-on with exercises programming courses I have ever taken.
Laura Kahn
Kurs - Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
I did like the exercises