مدل‌های بنیادی Gen AI برای NLP و درک زبان

آنچه یاد خواهید گرفت:

• توضیح می‌دهید که چگونه از one-hot encoding و bag-of-words، تعبیه و تعبیه bags برای تبدیل کلمات به ویژگی‌ها استفاده کنید.
• مدل‌های word2vec را برای تعبیه متن می‌سازید و استفاده می‌کنید.
• یک مدل زبانی ساده با یک شبکه عصبی می‌سازید و آموزش می‌دهید.
• از مدل‌های N-gram و sequence-to-sequence برای طبقه‌بندی مستندات، تحلیل متن و تبدیل دنباله استفاده می‌کنید.

توضیحات دوره

دوره IBM به شما یاد می‌دهد که چگونه مدل‌های generative AI را برای پردازش زبان طبیعی (NLP) پیاده‌ کرده، آموزش داده و ارزیابی کنید. این دوره به شما کمک خواهد کرد که دانش لازم در مورد کاربردهای NLP شامل طبقه‌بندی مستندات، مدل‌سازی زبان، ترجمه زبان و اصول ساخت مدل‌های زبانی کوچک و بزرگ را کسب کنید.

شما یاد می‌گیرید که چگونه کلمات را به ویژگی‌ها تبدیل کنید. شما با one-hot encoding و bag-of-words، تعبیه و تعبیه bags آشنا خواهید شد. همچنین می‌آموزید که مدل‌های تعبیه Word2Vec چگونه برای بازنمایی ویژگی‌ در داده‌ متنی استفاده می‌شوند.

شما این قابلیت‌ها را با استفاده از PyTorch پیاده خواهید کرد.

این دوره به شما یاد می‌دهد که چگونه شبکه‌های عصبی را برای طبقه‌بندی مستندات بسازید، آموزش دهید و بهینه‌سازی کنید. علاوه بر این، شما با مدل زبانی N-gram و مدل‌های sequence-to-sequence آشنا خواهید شد. این دوره به شما کمک می‌کند تا کیفیت متن تولید شده را با استفاده از متریک‌هایی مانند BLEU ارزیابی کنید.

شما با انجام تسک‌هایی مانند پیاده‌سازی طبقه‌بندی مستندات با استفاده از torchtext در PyTorch، آنچه را که یاد گرفته‌اید تمرین خواهید کرد. شما مهارت‌های لازم برای ساخت و آموزش یک مدل زبانی ساده با یک شبکه عصبی برای تولید متن و یکپارچه‌سازی مدل‌های تعبیه از پیش آموزش‌دیده، مانند word2vec برای تحلیل و طبقه‌بندی متن را به دست خواهید آورد. علاوه بر این، شما مهارت‌های جدید خود را در توسعه مدل‌های sequence-to-sequence در PyTorch اعمال کرده و تسک‌هایی مانند ترجمه زبان را انجام خواهید داد.