[Stepik] Рекуррентные сети в NLP и приложениях (Елена Кантонистова)
Ссылка на картинку
Описание:
Интенсив посвящен рекуррентным нейронным сетям, применяющимся для решения широкого класса задач в области NLP, а также их приложениям в других областях. Курс является вторым в линейке курсов по Natural Language Processing после курса "Основы нейронных сетей и NLP".
Чему вы научитесь
Узнаете как работают рекуррентные нейронные сети
Научитесь работать с фреймворком PyTorch
Сможете решать задачи генерации текстов при помощи RNN
Узнаете, как RNN используются в других областях
Создадите итоговый проект, оформленный в виде FastAPI-сервиса
Слушатели курса освоят следующие темы:
Повторят основы NLP (ML-подходы, w2v, fasttext)
Освоят продвинутые методы Python и познакомятся с фреймворком PyTorch
Узнают как работают рекуррентные нейронные сети
Применят RNN на практике
Освоят фреймворк FastAPI
Сделают итоговый проект с использованием RNN и FastAPI
Узнают о приложениях RNN в других областях
Для кого этот курс
Курс подойдет всем, кто интересуется областью автоматической обработки текстов (Natural Language Processing) и в особенности Deep Learning-подходами для решения задач из области NLP.
Программа курса
Организация курса
Основы NLP: recap
Рекуррентные нейронные сети
Введение в PyTorch
Рекуррентные сети: практика — 1
Рекуррентные сети: практика — 2
Приложения RNN
Ванильный веб-сервис на FastAPI
Итоговый проект
Начальные требования
Для успешного освоения курса участники должны уметь писать код на языке Python и быть знакомыми с базовыми NLP-подходами. Рекомендуется к прохождению первый курс из линейки: "Основы нейронных сетей и NLP".
Ваш преподаватель:
Елена Кантонистова
Кандидат физико-математических наук, выпускница школы анализа данных Яндекса (ШАД)