[Яндекс Практикум] Обработка естественного языка — NLP (Антон Моргунов, Даниил Вяжев)

[Robot]

Ссылка на картинку

Natural Language Processing позволяет нейросетям понимать человека

В том числе имитировать разговор, выполнять запросы, извлекать пользу из массивов естественной речи
Например, NLP используют чат‑боты, голосовые ассистенты, автопереводчики, сложные аналитические системы

Курс подойдёт тем, у кого есть опыт работы с данными, Machine Learning и Deep Learning:

• Специалистам в области Data Science
  Разберёте методы извлечения признаков из текста и сможете применять NLP для работы с большими данными и решения бизнес-задач
• DL- и ML-инженерам
  Изучите способы обработки текстовых данных и современные архитектуры и будете использовать NLP в своих реальных проектах
• Разработчикам
  Освоите актуальные библиотеки и инструменты, чтобы внедрить технологии NLP в разработку приложений, которые используют текстовые данные

Освойте продвинутые подходы, модели и архитектуры:

• GPT
• RoBERTa
• DeBERTa
• NER
• AutoGen
• STF
• PEFT
• RLHF
• LoRA
• vLLM
• TS
• Seq2Seq
• RAG
• ANN
• FAISS
• BM25
• CLIP
• SigLip
• Векторные БД
• Florence
• LangChain
• AutoGen
• smolagents
• MCP
• ElasticSearch

Чему научитесь на курсе:

• Понимать и применять современные NLP-модели: от BERT до LLM
• Строить RAG и агентные системы
• Обучать LLM с оптимизацией операций на GPU
• Создавать модели генерации текста, перевода, NER и мультимодальные решения
• Работать с поиском: от классического BM25 до векторного по эмбеддингам

Как проходит курс:

• Сопровождение кураторами
• Обратная связь от опытных наставников
• Воркшопы с экспертами
• Теория на платформе Практикума
• Практические задания с ревью на готовой инфраструктуре в облаке

Что вас ждёт на курсе:

• Ключевые NLP-архитектуры: от вариаций BERT до RAG и агентных систем
• Фокус на актуальные задачи: NER, QA, VQA, машинный перевод и сценарии с RAG
• Удостоверение о повышении квалификации

Программа:

00 Бесплатная часть. Нейросетевые решения на практике

Практическая работа

• Научитесь использовать предобученные модели для анализа текста и изображений и интерпретировать результаты их работы

Инструменты и технологии

• PyTorch
• CV
• NLP

Содержание

1. Знакомство с курсом
   Узнаете, как организован курс: из чего состоит программа, как устроена платформа, какие активности вас ждут
2. Введение в нейросети и их роль в решении сложных задач
   Поймёте, в каких областях применяются нейросети и какие задачи они решают в реальной жизни
3. Работа с текстами
   Классифицируете тексты с использованием предобученной модели
4. Работа с изображениями
   Классифицируете изображения с помощью предобученной модели
5. Нейросети на практике
   Научитесь использовать нейросети в повседневной практике и для решения профессиональных задач

01 Современные модели: обучение и ключевые механизмы

Проект

• Решите задачу NER, выявив все сущности, и предскажете, сколько их в тексте, через регрессию по CLS

Инструменты и технологии

• RoBERTa
• XLM-RoBERTa
• DeBERTa
• NER
• PyTorch Lightning
• DP
• DDP
• FSDP

Содержание

1. Multi-Head Attention и BERT
   Разберёте трансформер на уровне тензоров, attention-механизм, позиционные эмбеддинги и skip connections. Напишете полный encoder с нуля. Изучите архитектуру BERT, задачи MLM и NSP, CLS-токен, ограничения attention и такие решения, как flash/sparse attention
2. Эволюция моделей в NLP
   Сравните токенизаторы (BPE, WordPiece и другие) по стабильности и размеру словаря. Рассмотрите развитие моделей: RoBERTa, XLM-R, DeBERTa, e5, включая мультиязычные и облегчённые версии для продакшна. Изучите NER: BIO-разметку, entity spans, лоссы
3. Эффективная тренировка моделей
   Освоите float16, bfloat16, mixed precision, включите AMP в PyTorch. Изучите квантизацию (PTQ, QAT) и распределённую тренировку (DataParallel, DDP, FSDP). Разберёте torch.compile и научитесь работать с PyTorch Lightning

02 Большие языковые модели

Проект

• Дообучите языковую модель, чтобы управлять генерацией текстов на разных этапах — pretrain, SFT, alignment

Инструменты и технологии

• LoRA
• QLoRA
• SFT
• TRL
• vLLM
• FlashAttention
• Triton
• ALiBi
• RoPE

Содержание

1. Введение в большие языковые модели
   Изучите фундаментальные концепции LLM. Рассмотрите архитектуры для генерации текста: decoder-only, encoder-decoder, диффузионные модели. Разберётесь с устройством attention-масок, их влиянием на генерацию. Реализуете вызов API через OpenRouter. Исследуете ограничения LLM
2. Архитектура и принципы работы LLM
   Узнаете принципы обучения декодера. Реализуете цикл генерации текста с чат-шаблонами Jinja. Рассмотрите методы улучшения генерации: In-Context Learning, reasoning, CoT. Изучите стратегии генерации текста: beam search, sampling, temperature, top-k, top-p, repetition penalty. Поймёте причины их выбора
3. Оптимизации в LLM
   Попробуете методы обучения и оптимизации LLM: LoRA, QLoRA, адаптеры, PEFT и Unsloth. Поймёте проблему длинного контекста. Освоите методы расширения контекста: KV cache, paged attention, speculative decoding, continuous batching. Проведёте оптимизацию на GPU с использованием Triton, fused layers и FlashAttention. Примените gradient checkpointing и выберете стратегии обучения под ресурсы и скорость

03 Путь генеративного NLP: от Seq2Seq к RAG

Проект

• Разработаете retrieval-систему по статьям из arXiv, с поиском по документам и генерацией ответов на естественном языке

Инструменты и технологии

• T5
• LoRA
• Seq2Seq
• BLEU
• ROUGE
• chrF
• COMET
• RAG
• Векторные базы данных
• LangChain

Содержание

1. Архитектуры Seq2Seq в трансформерах
   На примере T5 и русскоязычных аналогов разберёте архитектуру encoder-decoder. Поймёте принципы cross-attention и teacher forcing. Изучите метрики BLEU и ROUGE. Примените T5 к разным NLP-задачам. Освоите предобучение T5 с помощью span corruption. Рассмотрите ключевые бенчмарки
2. Генерация текста для практических задач
   Изучите модели машинного перевода mT5 и NLLB. Освоите их дообучение для доменов. Разберёте методы улучшения параллельных корпусов: выравнивание, фильтрацию, back-translation и paraphrasing. Решите NER-задачу в формате генерации с промптингом и constrained decoding. Дообучите Seq2Seq-модели и оцените качество перевода
3. Retrieval-Augmented Generation — RAG
   Узнаете причины галлюцинаций и как RAG снижает риск ошибок. Изучите bi-encoder и cross-encoder, гибридный поиск и векторные базы (FAISS, Chroma, Qdrant). Рассмотрите методы снижения размерности и индексации. Построите RAG-пайплайн: от подготовки документов до генерации ответа. Освоите LangChain и оценку качества поиска

04 Современный NLP: поиск, агенты и мультимодальность

Проект

• Разработаете модель, которая будет искать изображения по описанию, проверять их на релевантность и отвечать на вопросы по содержанию

Инструменты и технологии

• rapidfuzz
• OpenSearch
• datasketch
• LangChain
• AutoGen
• smolagents
• MCP
• CLIP
• SigLIP
• BLIP
• LLaVA
• Florence

Содержание

1. Полнотекстовый поиск
   Рассмотрите нечёткий поиск и алгоритм Левенштейна. Освоите rapidfuzz и BM25. Поработаете с индексами в OpenSearch. Разберёте расширенные техники поиска. Изучите LSH с datasketch. Сравните подходы через хэши и эмбеддинги. Реализуете гибридный поиск с опечатками, а также индексацию и дедупликацию коллекций
2. Агенты
   Изучите function calling, structured output, а также интеграцию функций через LangChain. Разберёте агентные системы: ReAct, LLM-as-judge и современные фреймворки (AutoGen, smolagents), а также протокол MCP. Создадите агента для работы с интернетом и веб-страницами. Рассмотрите архитектуры Perplexity и Deep Research
3. Мультимодальные архитектуры
   Узнаете, как создаются мультимодальные датасеты и бенчмарки. Разберёте CLIP и его варианты (SigLIP, ViT-L/14), а также модели BLIP, Florence и LLaVA для VQA. Научитесь выявлять ошибки аннотаций с помощью CLIP и применять его для поиска, очистки датасетов и VQA-задач

Авторы — инженеры с большим опытом обучения нейросетей:

Они собрали и систематизировали свои знания, чтобы вы учились на реальных кейсах, с которыми сталкиваются специалисты на практике

• Антон Моргунов
  Программный эксперт курса. Senior ML-инженер в Базис Центре
• Даниил Важев
  Исследователь в Научно-учебной лаборатории моделей и методов вычислительной прагматики в ВШЭ. Мидл DL/ML-инженер в НБКИ. PhD Student в Сколтехе
• Кирилл Бобылев
  Senior Data Scientist в Ozon Tech. Специализируется в Moderation, Anti-fraud, QC
• Станислав Жбанников
  NLP-инженер в GigaChat Pretrain. Занимается оптимизацией обучения крупных MoE-моделей. Был Lead Data Scientist в Ecom.tech, руководил DS-командой разработки умного ассистента для поиска товаров

Читать далее...

Показать больше