Formation Deep Learning for NLP (Natural Language Processing)

Cette formation en direct animée par un instructeur (sur site ou en ligne) s'adresse aux scientifiques des données, aux praticiens de l'apprentissage automatique, aux chercheurs et aux passionnés de PNL qui souhaitent utiliser efficacement Hugging Face pour les tâches PNL.

Au terme de cette formation, les participants seront capables de :

Utilisez un modèle Hugging Face Transformer et affinez-le sur un ensemble de données spécifique. Acquérir la capacité de relever de manière indépendante les défis courants de la PNL. Créez et partagez efficacement vos démos de modèles. Rationalisez l'optimisation de vos modèles pour la production. Utilisez Hugging Face Transformers pour résoudre un large éventail de problèmes d'apprentissage automatique.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux scientifiques des données et aux développeurs qui souhaitent utiliser TextBlob pour mettre en œuvre et simplifier les tâches NLP, telles que l'analyse des sentiments, les corrections orthographiques, la modélisation de la classification des textes, etc.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à mettre en œuvre des tâches de TAL avec TextBlob.
• Comprendre les caractéristiques, l'architecture et les avantages de TextBlob.
• Apprendre à construire des systèmes de classification de textes à l'aide de TextBlob.
• Exécuter des tâches NLP courantes (tokenisation, WordNet, analyse des sentiments, correction orthographique, etc.
• Exécuter des implémentations avancées avec des API simples et quelques lignes de codes.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux data scientists et aux développeurs qui souhaitent utiliser Spark NLP, construit sur Apache Spark, pour développer, mettre en œuvre et mettre à l'échelle des modèles et des pipelines de traitement de texte en langage naturel.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à construire des pipelines NLP avec Spark NLP.
• Comprendre les caractéristiques, l'architecture et les avantages de l'utilisation de Spark NLP.
• Utiliser les modèles pré-entraînés disponibles dans Spark NLP pour mettre en œuvre le traitement de texte.
• Apprendre à construire, entraîner et mettre à l'échelle les modèles Spark NLP pour des projets de production.

Cette formation en Canada (en ligne ou sur site) s'adresse aux professionnels du marketing et des données de niveau intermédiaire qui souhaitent appliquer les LLM pour analyser et interpréter les sentiments du public à partir de diverses sources textuelles telles que les messages sur les médias sociaux, les critiques de produits et les commentaires des clients.

A la fin de cette formation, les participants seront capables de :

• Comprendre les principes de l'analyse des sentiments et son application à l'aide des LLM.
• Prétraiter et préparer les ensembles de données pour l'analyse des sentiments.
• Entraîner et affiner les LLMs pour refléter avec précision le sentiment dans le texte.
• Analyser les sentiments en temps réel à partir des médias sociaux et d'autres sources de texte.
• Intégrer les résultats de l'analyse des sentiments dans les stratégies commerciales et les processus de prise de décision.

Ce cours a été conçu pour les personnes intéressées par l'extraction de signification d'un texte écrit en anglais, bien que ces connaissances puissent également être appliquées à d'autres langues.

Le cours expliquera comment utiliser du texte écrit par des humains, tels que des billets de blog, des tweets, etc.

Par exemple, un analyste peut configurer un algorithme qui aboutira automatiquement à une conclusion basée sur une source de données étendue.

Il s'agit d'un cours de 4 jours présentant l'IA et ses applications. Il est possible de disposer d'une journée supplémentaire pour entreprendre un projet d'IA à la fin de ce cours.

Public

Ce cours convient aux chercheurs et ingénieurs Deep Learning intéressés par l'utilisation des outils disponibles (principalement open source) pour l'analyse d'images informatiques.

Ce cours fournit des exemples de travail.

Embedding Projector est une application Web opensource permettant de visualiser les données utilisées pour former les systèmes d'apprentissage automatique Créé par Google, il fait partie de TensorFlow Cette formation en direct instruit présente les concepts derrière Embedding Projector et guide les participants à travers la configuration d'un projet de démonstration À la fin de cette formation, les participants seront en mesure de: Explorer comment les données sont interprétées par des modèles d'apprentissage automatique Naviguer à travers les vues 3D et 2D des données pour comprendre comment un algorithme d'apprentissage automatique l'interprète Comprendre les concepts derrière Embeddings et leur rôle dans la représentation des vecteurs mathématiques pour les images, les mots et les chiffres Explorer les propriétés d'un embedding spécifique pour comprendre le comportement d'un modèle Appliquer le projet d'intégration à des cas d'utilisation du monde réel tels que la construction d'un système de recommandation de chanson pour les mélomanes Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données de fraude potentielle.

A l'issue de cette formation, les participants seront capables de :

• Créer un modèle de détection de la fraude en Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'IA de bout en bout pour analyser les données de fraude.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique dans un OpenShift nuage sur site ou hybride.

• À l'issue de cette formation, les participants seront capables de :
• Installer et configurer Kubernetes et Kubeflow sur un cluster OpenShift.
• Utiliser OpenShift pour simplifier le travail d'initialisation d'un cluster Kubernetes.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Appeler des services de cloud public (par exemple, des services AWS) à partir d'OpenShift pour étendre une application ML
.

Ce cours vous donnera des connaissances en réseaux de neurones et généralement en algorithme de machine learning, deep learning (algorithmes et applications).

Cette formation est davantage axée sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Les exemples sont réalisés dans TensorFlow.

Cette formation dirigée par un instructeur en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow.js pour identifier des modèles et générer des prédictions à l'aide de modèles d'apprentissage automatique.

A l'issue de cette formation, les participants seront capables de :

• Construire et entraîner des modèles d'apprentissage automatique avec TensorFlow.js.
• Exécuter des modèles d'apprentissage automatique existants dans le navigateur ou sous Node.js.
• Réentraîner des modèles d'apprentissage automatique préexistants à l'aide de données personnalisées.

Dans cette formation en direct avec instructeur (en ligne ou sur site), les participants apprendront à configurer et à utiliser TensorFlow Serving pour déployer et gérer des modèles de ML dans un environnement de production.

A l'issue de cette formation, les participants seront capables de :

• Entraîner, exporter et servir divers modèles TensorFlow.
• Tester et déployer des algorithmes à l'aide d'une architecture et d'un ensemble d'API uniques.
• Extension TensorFlow Serving pour servir d'autres types de modèles que les modèles TensorFlow.

TensorFlow est une API de deuxième génération de la bibliothèque de logiciels open source de Go ogle pour Deep Learning . Le système est conçu pour faciliter la recherche en apprentissage automatique et faciliter la transition rapide d'un prototype de recherche à un système de production.

Public

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d' Deep Learning .

Une fois ce cours terminé, les délégués:

• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être capable d'effectuer des tâches d'installation / environnement de production / architecture et configuration
• être capable d'évaluer la qualité du code, effectuer le débogage, la surveillance
• être capable de mettre en œuvre une production avancée comme des modèles de formation, la création de graphiques et la journalisation