Przetwarzanie języka naturalnego (NLP)

Przetwarzanie języka naturalnego (NLP)

Zdobądź kompetencje najszybciej rozwijającego się obszaru Sztucznej Inteligencji

Dlaczego kurs Przetwarzanie języka naturalnego?

Kurs przekrojowo omawia tematykę przetwarzania języka naturalnego – od wprowadzenia teoretycznego, przez wykorzystanie najnowszych metod uczenia maszynowego, aż po zastosowania praktyczne.

Przetwarzanie języka naturalnego to obecnie jeden z najszybciej rozwijających się obszarów Sztucznej Inteligencji, dzięki czemu stale powiększa się zakres zastosowań metod NLP w praktyce – w nauce, biznesie i codziennym życiu. Zdobywając kompetencje z tego obszaru, stajesz się jedną z najbardziej poszukiwanych osób na rynku pracy, a także otwierasz sobie furtkę do samodzielnej pracy biznesowej na perspektywicznym rynku. Jest to też okazja do tego, by jednocześnie zdobyć kompetencje w obszarze ogólnej Sztucznej Inteligencji, a więc poznać metody analizy danych, uczenia maszynowego, a także sieci neuronowe i deep learning.

Co będę umieć, gdy zrobię cały kurs z Przetwarzania Języka Naturalnego?

• Będziesz w stanie podjąć pracę w obszarze przetwarzania języka naturalnego lub – znając problematykę i specyfikę tego obszaru – rozwijać własne przedsięwzięcia biznesowe w tym obszarze. 
• Będziesz posiadać unikalne kompetencje, pozwalające Ci podejmować projekty związane z obszarem analizy danych, sztucznej inteligencji i przetwarzania języka naturalnego – w szczególności języka polskiego.
  
  

Co otrzymam, kupując kurs?

Otrzymasz unikalny, kompleksowy kurs, który omawia zarówno niezbędne podstawy w zakresie metody analizy danych i uczenia maszynowego, jak i najbardziej aktualne zagadnienia z obszaru przetwarzania języka naturalnego. Kurs jest unikalny, ponieważ zawiera specyficzną wiedzę na temat przetwarzania języka polskiego, pochodzącą od najlepszych ekspertów z tego obszaru – twórców poszczególnych metod, modeli i zbiorów danych.

PROGRAM KURSU

Wprowadzenie

• Czym jest Przetwarzanie języka naturalnego (NLP)?
• Dlaczego warto się tym zajmować i dlaczego właśnie teraz?
• Co stanowi największe wyzwanie w NLP?
• Najciekawsze zastosowania NLP
• Co jest potrzebne, aby zajmować się NLP (narzędzia, algorytmy, matematyka)

Czy maszyny mogą zrozumieć język naturalny?

• Poziomy analizy języka naturalnego
• Jak analizować język mówiony?
• Jak maszyna “widzi” tekst?
• Potoki przetwarzania
• Architektura rozwiązań NLP

Podstawy: słowa, zdania i dokumenty

• Tokenizacja: podział tekstu na słowa
• Stemming i lematyzacja
• Reprezentacja bag-of-words
• Odległość edycyjna
• Wyrażenia regularne
• N-gramy
• Podział na zdania
• TF-IDF
• Regularyzacja modelu

Nieco lingwistyki: znakowanie morfosyntaktyczne i gramatyki

• Zasoby językowe
• Analiza morfosyntaktyczna
• Znakowanie morfosyntaktyczne
• Gramatyki
• Rozkład zależnościowy

Podstawy uczenia maszynowego w NLP

• Uczenie nadzorowane a nienadzorowane
• Latent Semantic Indexing (LSI)
• Liniowa analiza dyskryminacyjna (LDA)
• Regresja logistyczna
• Typowe algorytmy uczenia maszynowego: Naive Bayes, SVM, CRF

Zastosowania I

• Indeksowanie i przeszukiwanie tekstu
• Grupowanie i klasyfikacja tekstów (podejścia ML)
• Ujednoznacznianie sensu słów (word sense disambiguation)
• Rozpoznawanie jednostek nazewniczych (named entity recognition)

Sieci neuronowe

• Najprostsza sieć neuronowa
• Czym jest głębokie uczenie (deep learning)?
• Reprezentacje wektorowe (zanurzenia słów i dokumentów), word2vec, glove, elmodoc2vec
• Sieci RNN
• Sieci CNN
• Sieci LSTM
• Mechanizm uwagi i modele typu Encoder-Decoder
• Typowe architektury sieci i wykorzystanie pretrenowanych modeli:BERT, RoBERTa, DistillBERT GPT, GPT-2, GPT-3, XLM, Transformers

Zastosowania II

• Grupowanie i klasyfikacja tekstów (podejścia DL)
• Ekstrakcja informacji (information extraction)
• Wyszukiwanie semantyczne w tekście
• Analiza wydźwięku (sentiment analysis)
• Systemy dialogowe (chatboty)
• Analiza koreferencji (coreference analysis)
• Tworzenie podsumowań (summarization)

Rozpoznawanie mowy

• Opis problemu
• Historia i różne podejścia: izolowane/regułowe, HMM, WFST, hybrydowe, E2E
• Wprowadzenie do modelowania akustycznego
• Modelowanie języka w rozpoznawaniu mowy: gramatyki formalne, statystyczne modele języka
• Dekodowanie w rozpoznawaniu mowy: n-best i kraty, rescoring i wykorzystanie NNLM

Zakończenie

• Ciekawe zasoby: materiały edukacyjne, zasoby dla języka polskiego, konkursy: SemEval, PolEval, GLUE, KLEJ
• Dalsze kroki
• Obiecujące kierunki badawcze

Przeczytaj opinie o kursie

⭐⭐⭐⭐⭐
Kurs przewyższył moje oczekiwania.

⭐⭐⭐⭐⭐
Podczas całego kursu nie zdarzyło mi się siedzieć bezczynnie.

Poznaj autorów kursu

dr inż. Łukasz Kobyliński

Chief Science Officer w Sages, Data Scientist w SigDelta oraz adiunkt w Instytucie Podstaw Informatyki PAN. Uczestnik takich konferencji, jak PKDD, LREC, TSD, czy LTC. Pracował w projektach komercyjnych związanych z ekstrakcją informacji, agentami dialogowymi, czy odpowiadaniem na pytania.

dr hab. Piotr Pęzik

Profesor UŁ w Instytucie Anglistyki, autor prac naukowych i rozwiązań informatycznych z dziedziny językoznawstwa korpusowego i komputerowego. Obszarem jego zainteresowań językoznawczych jest frazeologia dystrybucyjna w ujęciu korpusowym. Był wykonawcą i kierownikiem krajowych i europejskich projektów badawczo-rozwojowych, m.in. NKJP, CESAR, PLEC, BootStrep.

dr inż. Michał Marcińczuk

Adiunkt w Katedrze Inteligencji Obliczeniowej na Wydziale Informatyki i Zarządzania Politechniki Wrocławskiej. Posiada rozległe doświadczenie w zakresie ekstrakcji informacji, automatyzacji wyszukiwania danych tekstowych, rozpoznawania jednostek nazewniczych, czy ujednoznaczniania sensu słów.

dr inż.Danijel Korzinek

Adiunkt w Polsko-Japońskiej Akademii Technik Komputerowych. Wykonawca w wielu projektach naukowych i badawczo rozwojowych, w tym CLARIN-PL, EU-Bridge, SYNAT, SENAT, czy LUNA. Autor i współautor ponad 20 artykułów naukowych.

dr Alina Wróblewska

Adiunkt w Zespole Inżynierii Lingwistycznej Instytutu Podstaw Informatyki PAN. Specjalistka w dziedzinie morfoskładniowego oraz semantycznego przetwarzania języka naturalnego, w szczególności parsowania zależnościowego oraz semantyki wektorowej. Posiada doświadczenie w tworzeniu zasobów do trenowania modeli NLP. Wyniki swoich badań naukowych prezentowała na konferencjach, m.in. ACL, EMNLP, LREC.

Patryk Pilarski

Data scientist i trener z kilkuletnim doświadczeniem. Pracuje z danymi w każdym rozmiarze i kształcie – od dużych po małe, od liczb po tekst. Nieustannie poszukuje interesujących wyzwań oraz możliwości pracy z ciekawymi technologiami, w związku z czym pracował w licznych projektach łączących w sobie wyzwania z zakresu analizy i inżynierii danych.

---