Курсы по NLP

За 17 месяцев обучения по 15 часов в неделю вы освоите навыки.

Для кого этот курс? Для начинающих аналитиков и специалистов в области Data Science: систематизируйте и углубляйте знания, экспериментируйте с подходами, работайте с кейсами под руководством экспертов.Для разработчиков и других IT-специалистов: соберите сильное портфолио, погрузитесь в настоящие задачи дата-сайентиста. Необходимые знания: базовое знакомство с Pythonбазовые знания линейной алгебры, математического анализа, математической статистикибазовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия) Что даст вам этот курс ? Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Чтобы лучше закрепить навыки, вы будете практиковаться: использовать каждый алгоритм в работе с реальными данными. Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist. Особенности курса В курс по машинному обучению входят темы, которые часто обделяют вниманием. Однако знания такого рода необходимы специалисту в повседневных задачах и очень ценятся работодателями Что вы сможете после обучения: работать с «грязными» даннымиработать с языковыми моделями (NLP)прогнозировать временные ряды при помощи машинного обучениястроить рекомендательные системыготовить модели в продакшн

Стань Data Scientist с Netology! Получи профессиональные навыки в анализе данных и машинном обучении. Программа с практическими кейсами и экспертными менторами.

Комплект продвинутых курсов для освоения машинного и глубокого обучения — вы научитесь создавать ML-модели и обучать нейронные сети.

Вы изучите основы программирования и основные концепции компьютерных наук, цифровые технологии, операционные системы, программное обеспечение, базы данных, системы аналитики, языки программирования и многое другое. Познакомитесь с тестированием и системным анализом. На программе сможете сделать осознанный выбор специализации и технологий, прокачаться в выбранном направлении.

Продвинутая интенсивная программа от преподавателей-практиков с глубоким погружение в data science. Программу прошли более 200 специалистов из 7 стран мира, в их числе CDO ведущих кампаний. Для кого эта программа?Разработчики, аналитики, продакт-менеджеры профильных компаний, junior data scientists.Что входит в программу?36 занятий онлайн в зуме.  Включая модули: Machine Learning, Apache Spark, Hadoop, NLP,  Рекомендательные системы, Временные ряды, Бизнес-проекты.  Трехчасовые занятия в прямом эфире и видеозаписи в личном кабинете.10 лаб+суперачивки. Каждую неделю вам нужно будет решить лабораторную работу и суперачивку (усложненные задания).2 проекта. Помимо лаб вы работаете в командах над большими проектами по 6 недель.Чему вы научитесь:Алгоритмы.  Научитесь обрабатывать данные в Pandas, строить модели машинного обучения (логистическая регрессия, деревья, случайный лес) в Scikit-learn, анализировать текстовые данные, применять разные алгоритмы рекомендательных систем.Технологии. Научитесь писать MapReduce-джобы на Python с использованием Hadoop Streaming, писать SQL-like запросы в Hive для решения аналитических задач, работать с колоночной базой данных HBase, обращаться к данным на HDFS, анализировать данные в Apache Spark.Бизнес. Научитесь выбирать правильную метрику качества для вашей задачи, собирать требования перед стартом проекта, оценивать финансовый эффект от внедрения модели, использовать сторителинг для презентации ваших результатов.

Магистратура ВШЭ и Karpov.courses — это прикладная программа обучения на базе фундаментальных знаний. Вы научитесь решать аналитические задачи на продвинутом уровне, строить BI-системы, разбираться в инфраструктуре для работы с данными и создавать ML-модели. Академическая экспертиза ВШЭ сочетается с актуальными практиками в гибком формате.

Онлайн-курс поможет вам расти в сфере data analysis и строить карьеру в одной из самых востребованных областей. В дополнение 5 онлайн-встреч 1-на-1 с выбранными экспертами курса

Практический курс по обработке текстов методами машинного обучения. Участники узнают и разберутся с тем, для каких задач применяется машинное обучение, как правильно ставить задачи, собирать и готовить данные, как работать с признаками, как оценивать качество результата. В курсе рассмотрены различные методы предобработки текстов, векторные представления слов и их использование для классификации и других задач. Участники изучат методы разметки текстов, извлечения именованных сущностей и снижения размерности. Отдельное внимание будет уделено предобученным языковым моделям, таким как BERT и GPT, и их применению для работы с текстовыми данными.

• Задачи машинного обучения.
• Базовые библиотеки для машинного обучения:
  • Pandas.
  • Scikit-learn.
  • Matplotlib.
• Признаки и работа с ними.
• Валидация данных и оценка качества алгоритмов.
• Функции потерь, метрики качества.
• Разделение набора данных.
• Кросс-валидация.
• Практика: Предобработка и визуализация данных, классические модели ML. [Теория — 2 часа, практика + демо — 2 часа, д/з — 1,5 часа]

• Задачи обработки текстов.
• Методы предобработки и выделения признаков в анализе текстов.
• Предобработка текстов:
  • “Мешок слов”.
  • TF-IDF.
  • Регулярные выражения.
  • Сегментация.
  • Лемматизация.
  • Стоп-слова.
  • Части речи.
• Простые векторные представления слов:
  • One-hot векторы.
  • SVD.
  • Hashing Trick.
• Библиотеки:
  • NLTK.
  • gensim.
  • SpaCy.
  • Yargy.
• Практика: Предобработка текстов. [Теория — 1 час, практика + демо — 3 часа, д/з — 1 час]

• Обучаемые векторные представления слов:
  • word2vec (CBOW, SkipGram).
  • GloVe.
  • fastText.
• Методы обучения и донастройки неглубоких эмбеддингов.
• Использование неглубоких эмбеддингов для классификации.
• Практика: Использование word2vec и fastText. [Теория — 1 час, практика + демо — 3 часа]

• Архитектура и применение сверточных нейронных сетей для задач классификации.
• Разметка последовательностей:
  • Скрытые марковские модели.
  • Рекуррентные сети.
• Сети:
  • RNN.
  • LSTM.
  • GRU.
• Извлечение именованных сущностей.
• Практика: Использование CNN и LSTM. [Теория — 1 час, практика + демо — 3 часа, д/з — 3 часа]

• Извлечение ключевых слов.
• Суммаризация текстов.
• Тематическое моделирование:
  • PLSA.
  • LDA.
  • ARTM.
• Практика: Использование BigARTM. [Теория — 1 час, практика + демо — 3 часа, д/з — 2 часа]

• Архитектура трансформеров, механизмы внимания.
• Энкодерные архитектуры:
  • ELMo.
  • BERT.
  • RuBERT.
• Декодерные архитектуры:
  • GPT2.
  • GPT3.
  • RuGPT.
• XLNet.
• Мультиязычные модели.
• Практика: Использование BERT, RuGPT. [Теория — 1 час, демо — 3 часа, д/з — 1,5 часа]