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 6 часов
Формат Заочный
Сертификат о прохождении курса
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
Numpy
Теоретические основы глубоких нейросетей
Pandas
Matplotlib
Предзапись на курс
Вы в числе первых получите полную программу курса и узнаете о дате его старта
Нажимая кнопку «Отправить», вы соглашаетесь с условиями обработки персональных данных
Презентация интенсива от преподавателя
После интенсива вы узнаете:
- Почему выбирают pytorch - Основы синтаксиса библиотки - Типичные этапы в построении конвейеров машинного обучения - Создание с нуля и дообучение предварительно обученных нейросетевых архитектур для задач компьютерного зрения.
Как мы учим:
Закрепление пройденных материалов
Условием успешного окончания курса является выполнение проверочных заданий. Команда курса проверит задание и даст обратную связь.
Записи занятий
Вы сможете всегда пересмотреть все занятия в записи, чтобы лучше усвоить пройденную тему.
Общение и поддержка 24/7
Вы будете добавлены в чат, где сможете общаться со своими сокурсниками, куратором школы и преподавателем: задавать вопросы, делиться опытом.
Акцент на навыках
Вас ждёт много практической работы, разбор кейсов
Программа интенсива
* Pytorch тензоры и типы данных * Инициализация * Индексация и слайсинг * Операции с тензорами и описательные статистики * Техника автоматического дифференцирования * Cuda * Реализация линейной регрессии с помощью pytorch * Тезисно основные положения полносвязных нейросетей * Batch и layer norm, dropout * Загрузчики данных и создание полносвязной нейросети на примере табличных данных
* Тезисно основные положения сверточных нейросетей * Skip connection & max pooling * Кастомный загрузчик данных (dataloader) * Реализация алгоримов Resnet, Inception, Densenet * Дообучение предобученных нейросетей для задач классификации * Основные положения детекции, архитектура yolo * Дообучение для задач детекции * Пример создания api сервиса для обученной модели
* Основные положения векторного представления текста и w2v * Основные положения рекуррентных нейросетей и seq2seq, multi-head attention * Реализация архитектуры transformer * Дообучение трансформерных архитектур для задач классификации и распознавания именованных сущностей
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
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 "
Стоимость обучения -
Подать заявку и получить консультацию
Нажимая кнопку «Отправить», вы соглашаетесь с условиями обработки персональных данных