Интенсив
Классификация текста с помощью PyTorch
Вы изучите основы фреймворка PyTorch и реализуете свою модель классификации текста
12 000 руб
17-18 февраля 2022
Data Scientists
Получите практические навыки использования готовых и написание более сложных моделей классификации текста
Для кого этот интенсив:
Аналитики
Научитесь пользоваться инструментом текстовой аналитики и повысите эффективность принятия бизнес-решений
Программисты
Освоите востребованный прикладной навык в области ML и Data Science и откроете новые карьерные возможности
Длительность
2 дня, 8 ак.ч

Формат
ZOOM

Время занятий
19.00-22.00

Сертификат о повышении квалификации
Классификация текста - варианты использования
Маркетологи могут отслеживать и классифицировать пользователей на основе того, как они говорят о продукте или бренде в Интернете.
Такие платформы, как электронная коммерция, информационные агентства, кураторы контента, блоги, каталоги и и другие, могут использовать автоматизированные технологии для классификации и маркировки контента и продуктов.
Классификация текста также может быть использована для автоматизации задач CRM. Текстовый классификатор легко настраивается и может быть обучен соответствующим образом.
Текстовая классификация контента на сайте с использованием тегов помогает Google легко сканировать ваш сайт, что помогает в SEO. А , автоматизация тегов содержимого на веб-сайте/приложении может улучшить пользовательский опыт и помочь их стандартизировать.
Более быстрая система реагирования на чрезвычайные ситуации может быть создана путем классификации разговоров о панике в социальных сетях.
Академические организации, юристы. имеют дело с большим количеством неструктурированного текста, могут использовать технологию классификации текста - обработка данных будет намного проще, если они будут стандартизированы по категориям / тегам.
Необходимый уровень навыков и знаний (входные требования):
Python и умение на нем программировать
Статистика и линейная алгебра - матрицы, логистическая регрессия, теория вероятностей
Машинное обучение - нужно обладать опытом построения моделей при помощи библиотек Python
После интенсива вы сможете:
▶ Делать простые и самописные нейросети для классификации текста на pytorch на примере самых важных достижений обработки текста за последние годы:
▹ операции с тензорами на практическом примере реализации алгоритма Word2Vec с нуля
▹ реализация простых нейросетей на примере написания собственной реализации рекуррентной нейросети и использования коробочных методов с предобученными векторными представлениями слов из Word2Vec
▹ дообучения крупной предобученной нейросети на реальных данных, используя готовую реализацию
Программа интенсива
1 день (19:00-22:00) Основы нейронных сетей
  • Устройство нейросети и механизм их обучения
  • Пример реализации простейшей полносвязной нейросети на pytorch
  • Операции с тензорами на примере word2vec теория и реализация
  • Конвейер pytorch: dataloader, нейросеть, процесс обучения на практике
2 день (19:00-22:00) Создание моделей классификации текста
  • Реализация рекуррентной нейросети и использования предобученных эмбеддингов текста
  • Краткое описание и устройство механизма внимания, дообучения предобученого трансформера для задач классификации, многоклассовой классификации, распознавания именованных сущностей
1 день (19:00-22:00) Основы нейронных сетей
  • Устройство нейросети и механизм их обучения
  • Пример реализации простейшей полносвязной нейросети на pytorch
  • Операции с тензорами на примере word2vec теория и реализация
  • Конвейер pytorch: dataloader, нейросеть, процесс обучения на практике
2 день (19:00-22:00) Создание моделей классификации текста
  • Реализация рекуррентной нейросети и использования предобученных эмбеддингов текста
  • Краткое описание и устройство механизма внимания, дообучения предобученого трансформера для задач классификации, многоклассовой классификации, распознавания именованных сущностей
Наш преподаватель
Илья Тихонов
Аспирант кафедры ЭВМ МФТИ
Выпускник факультета радиотехники и кибернетики, МФТИ Занимается разработкой аналитических продуктовых и систем с применением алгоритмов машинного обучения для задач тематического моделирования и кластеризации для компаний на заказ и в рамках работы в Лаборатории Инноватики МФТИ.

Тема диссертации «Формальный вывод знаний для адаптивных систем технического зрения»
Андрей Михайлович Райгородский о ФПМИ МФТИ
Доктор физико-математических наук, профессор, директор Физтех-школы прикладной математики и информатики (ФПМИ)
“Физтех-школа прикладной математики и информатики (ФПМИ) МФТИ – безусловно ведущий мировой центр науки и образования в области математики и информатики. Особенность нашей школы заключается в том, что она сочетает в себе активную научную деятельность и тесную связь с индустрией. На сегодняшний день школа включает в себя 28 кафедр и 22 лаборатории от ключевых академических институтов и ключевых представителей IT-индустрии: Яндекс, Тинькофф, Сбербанк, VK, Abbyy, 1C, Huawei и другие.

Наша школа и МФТИ в целом гордимся своими выпускниками, например, мы занимаем первое место в рейтинге вузов России по уровню зарплат занятых в IT-отрасли специалистов "
МФТИ вошел в 50 лучших вузов мира по физике и в 100 лучших по математике по результатам рейтинга QS World University Rankings by Subject 2021
Факт 2
Факт 3
В общих рейтингах лучших университетов мира Times Higher Education и Quacquarelli Symonds МФТИ занимает первое место среди технических вузов России
Среди молодых IT-специалистов, окончивших вузы в 2014-2019 годах, самые высокие зарплаты - 180 тыс. рублей в месяц - у выпускников Московского физико-технического института. Таковы результаты ежегодного исследования, проведенного порталом Superjob
Факт 1
Факты о МФТИ - нам есть, чем гордиться!
Десять выпускников МФТИ вошли в список Forbes
Факт 5
2 выпускника МФТИ стали Нобелевскими лауреатами по физике в 2010 году
Факт 4
Стоимость обучения -
Подать заявку и получить консультацию
Нажимая кнопку «Отправить», вы соглашаетесь с условиями обработки персональных данных
12 000 ₽