In Modul 2 tauchen Sie in die Welt der Named Entity Recognition (NER) ein. Sie werden lernen, benannte Entitäten zu definieren und zu identifizieren, und verstehen, wie man verwandte Aufgaben angeht, indem man sie als NER-Herausforderungen formuliert. Wir werden erforschen, wie man Ressourcen wie standardisierte Terminologie und Named Gazettes nutzen kann, um NER zu verbessern. Sie werden auch praktische Erfahrungen sammeln, indem Sie ein Modell des Maschinellen Lernens für die Klassifizierung von Sequenzen anhand eines annotierten Textdatensatzes trainieren. Schließlich werden wir die Vor- und Nachteile verschiedener Markov-Modelle für NER diskutieren, um Ihnen das nötige Wissen für praktische Anwendungen zu vermitteln.

In Modul 3, das sich auf Modelle neuronaler Netzwerke konzentriert, werden Sie die Unterschiede zwischen dem Training von Deep Learning-Modellen und herkömmlichen Modellen des Maschinellen Lernens erkunden. Sie lernen, wie man einen auf einem neuronalen Netz basierenden Klassifikator modelliert und trainiert und wie man Text als Merkmal für das Training eines NER-Modells formuliert. Wir werden die Vor- und Nachteile von Deep Learning Ansätzen diskutieren. Sie werden ein Modell für ein neuronales Netz entwerfen, um Konzepte aus freiem Text zu identifizieren, und ein trainiertes Deep Learning Modell anwenden, um NER-Aufgaben zu lösen.

In diesem Modul lernen Sie die Leistungsfähigkeit von Deep Learning-Modellen in verschiedenen Bereichen wie dem Gesundheitswesen und Sportkommentaren kennen. Sie lernen, wie man Modelle für neuronale Netze erstellt, die für bestimmte Aufgaben Fine-Tuning betreiben, und erfahren, wie man ein tiefes neuronales Netzwerk für die Erkennung wichtiger Entitäten einrichtet. Wir führen Sie auch in die Welt der großen Sprachmodelle ein und zeigen Ihnen deren transformative Fähigkeiten und Anwendungen in der Informationsextraktion.