Курс на Stepik
Нейронные сети и обработка текста
Современные методы автоматической обработки текста -- это поиск по смыслу, машинный перевод, чат-боты, построение баз знаний... Как к этому подступиться? Больше практики! Авторы курса, эксперты Центра ИИ Samsung, доступным языком рассказывают, как начать работать с текстами при помощи нейросетей.
| Показатель | Текущие показатели | Рост | |||
|---|---|---|---|---|---|
| Значение | 🏆 Рейтинг | 3 дн | 7 дн | 30 дн | |
 Учеников на курсе |
55 724 | ||||
 Сертификатов выдано |
4 093 | ||||
 Отзывов получено |
126 | ||||
 Рейтинг курса |
4.810 | ||||
 Количество уроков |
36 | ||||
 Количество квизов |
148 | ||||
 Количество задач с кодом |
20 | ||||
 Время прохождения курса |
— | ||||
 Обновления курса |
— | — | |||
 Дата публикации курса |
— | — | — | — | |
| Последнее обновление |
— | — | — | — | |
| Сложность | normal | — | — | — | — |
Отличный бесплатный курс среднего уровня по NLP от экспертов Центра ИИ Samsung. Рейтинг ≈ 4.8/5 (более 120 отзывов). Курс логично ведёт от основ языка и классических методов (TF-IDF, тематическое моделирование) к нейросетевым подходам: embeddings, RNN/seq2seq, attention, трансформеры, BERT и практическим задачам (генерация, NER, вопросно-ответные системы). Есть теория + практические семинары на Python/PyTorch.
прекрасный курс для знакомства с NLP
Хороший курс, основы из него почерпнуть можно
Прекрасный курс, помог обучится важным навыкам и освоить новую сферу
Изучил много нового, курс в целом интересный и очень информативный, понятные обьяснения и интересные задачи. Приятно видеть такие полезные курсы в бесплатных источниках
всё неплохо, временами трудно.
Отличный курс по теории NLP. Именно писать код здесь не научитесь, но для прохождения тех. собесов материал хорошо подходит. Очень качественно подается информация. Задачи интересные, объяснения даются развернутые: рассматриваются плюсы и минусы различных алгоритмов и нюансы их реализации. В целом курс очень содержательный получился, понравился
В данном курсе я прошёл путь от логистической регрессии до трансформеров. Я наконец-то разобрался, как работает механизм внимания, а также на практике дообучал BERT на реальных данных. Спасибо авторам за этот опыт, теперь я могу не только применять готовые модели, но и понимать что происходит внутри, а также пробовать улучшить их. Очень полезный и вдохновляющий опыт.
