Building Transformer-Based Natural Language Processing ApplicationsBNLPANVNvidiaNV-BNLPA1.0<ul>
<li>Wie Transformatoren als Grundbausteine für moderne LLMs für NLP-Anwendungen verwendet werden</li><li>Wie die Selbstüberwachung die Transformer-Architektur in BERT, Megatron und anderen LLM-Varianten verbessert, um bessere NLP-Ergebnisse zu erzielen</li><li>Wie man vortrainierte, moderne LLM-Modelle nutzt, um verschiedene NLP-Aufgaben zu lösen, wie z. B. Textklassifizierung, Erkennung von benannten Einheiten (NER) und Beantwortung von Fragen</li><li>Nutzung von vortrainierten, modernen NLP-Modellen zur Lösung verschiedener Aufgaben wie Textklassifizierung, NER und Fragenbeantwortung</li><li>Bewältigung von Inferenzherausforderungen und Bereitstellung verfeinerter Modelle für Live-Anwendungen</li></ul><ul>
<li>Erfahrung mit der Programmierung in Python und der Verwendung von Bibliotheksfunktionen und Parametern</li><li>Grundlegendes Verständnis eines Deep Learning Frameworks wie TensorFlow, PyTorch oder Keras</li><li>Grundkenntnisse über neuronale Netze</li></ul><h5>Einführung</h5><ul>
<li>Treffen Sie den Ausbilder.</li><li>Erstellen Sie ein Konto unter courses.nvidia.com/join</li></ul><h5>Einführung in Transformatoren</h5><ul>
<li>Erkunden Sie die Funktionsweise der Transformatorarchitektur im Detail:</li><li>Bauen Sie die Transformator-Architektur in PyTorch auf.</li><li>Berechnen Sie die Selbstbeobachtungsmatrix.</li><li>Übersetzen Sie Englisch nach Deutsch mit einem vortrainierten Transformationsmodell.</li></ul><h5>Selbstüberwachung, BERT und mehr</h5><p>Erfahren Sie, wie Sie mit NVIDIA NeMo selbstüberwachte transformatorbasierte Modelle auf konkrete NLP-Aufgaben anwenden können:</p>
<ul>
<li>Erstellen Sie ein Textklassifizierungsprojekt, um Abstracts zu klassifizieren.</li><li>Erstellen Sie ein NER-Projekt zur Identifizierung von Krankheitsnamen in Texten.</li><li>Verbessern Sie die Projektgenauigkeit mit bereichsspezifischen Modellen.</li></ul><h5>Inferenz und Einsatz für NLP</h5><ul>
<li>Erfahren Sie, wie Sie ein NLP-Projekt für Live-Inferenz auf NVIDIA Triton bereitstellen:</li><li>Bereiten Sie das Modell für den Einsatz vor.</li><li>Optimieren Sie das Modell mit NVIDIA® TensorRT™.</li><li>Setzen Sie das Modell ein und testen Sie es.</li></ul><h5>Abschliessende Überprüfung</h5><ul>
<li>Besprechen Sie die wichtigsten Erkenntnisse und beantworten Sie Fragen.</li><li>Schliessen Sie die Bewertung ab und erhalten Sie ein Zertifikat.</li><li>Nehmen Sie an der Workshop-Umfrage teil.</li><li>Erfahren Sie, wie Sie Ihre eigene Umgebung einrichten können, und diskutieren Sie über zusätzliche Ressourcen und Schulungen.</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/nvidia-bnlpa"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Wie Transformatoren als Grundbausteine für moderne LLMs für NLP-Anwendungen verwendet werden
- Wie die Selbstüberwachung die Transformer-Architektur in BERT, Megatron und anderen LLM-Varianten verbessert, um bessere NLP-Ergebnisse zu erzielen
- Wie man vortrainierte, moderne LLM-Modelle nutzt, um verschiedene NLP-Aufgaben zu lösen, wie z. B. Textklassifizierung, Erkennung von benannten Einheiten (NER) und Beantwortung von Fragen
- Nutzung von vortrainierten, modernen NLP-Modellen zur Lösung verschiedener Aufgaben wie Textklassifizierung, NER und Fragenbeantwortung
- Bewältigung von Inferenzherausforderungen und Bereitstellung verfeinerter Modelle für Live-Anwendungen- Erfahrung mit der Programmierung in Python und der Verwendung von Bibliotheksfunktionen und Parametern
- Grundlegendes Verständnis eines Deep Learning Frameworks wie TensorFlow, PyTorch oder Keras
- Grundkenntnisse über neuronale NetzeEinführung
- Treffen Sie den Ausbilder.
- Erstellen Sie ein Konto unter courses.nvidia.com/join
Einführung in Transformatoren
- Erkunden Sie die Funktionsweise der Transformatorarchitektur im Detail:
- Bauen Sie die Transformator-Architektur in PyTorch auf.
- Berechnen Sie die Selbstbeobachtungsmatrix.
- Übersetzen Sie Englisch nach Deutsch mit einem vortrainierten Transformationsmodell.
Selbstüberwachung, BERT und mehr
Erfahren Sie, wie Sie mit NVIDIA NeMo selbstüberwachte transformatorbasierte Modelle auf konkrete NLP-Aufgaben anwenden können:
- Erstellen Sie ein Textklassifizierungsprojekt, um Abstracts zu klassifizieren.
- Erstellen Sie ein NER-Projekt zur Identifizierung von Krankheitsnamen in Texten.
- Verbessern Sie die Projektgenauigkeit mit bereichsspezifischen Modellen.
Inferenz und Einsatz für NLP
- Erfahren Sie, wie Sie ein NLP-Projekt für Live-Inferenz auf NVIDIA Triton bereitstellen:
- Bereiten Sie das Modell für den Einsatz vor.
- Optimieren Sie das Modell mit NVIDIA® TensorRT™.
- Setzen Sie das Modell ein und testen Sie es.
Abschliessende Überprüfung
- Besprechen Sie die wichtigsten Erkenntnisse und beantworten Sie Fragen.
- Schliessen Sie die Bewertung ab und erhalten Sie ein Zertifikat.
- Nehmen Sie an der Workshop-Umfrage teil.
- Erfahren Sie, wie Sie Ihre eigene Umgebung einrichten können, und diskutieren Sie über zusätzliche Ressourcen und Schulungen.Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag995.00995.00500.00995.00995.00420.00690.00995.00