Dans le module 2, vous plongerez dans le monde de la reconnaissance des entités nommées (NER). Vous apprendrez à définir et à identifier les entités nommées et comprendrez comment aborder des tâches connexes en les présentant comme des défis de la RNE. Nous étudierons comment utiliser des ressources telles que la terminologie normalisée et les gazettes de noms pour améliorer la reconnaissance des entités nommées. Vous acquerrez également une expérience pratique en entraînant un modèle d'apprentissage automatique pour la classification des séquences à l'aide d'un ensemble de données textuelles annotées. Enfin, nous discuterons des avantages et des inconvénients des différents modèles de Markov pour la NER, ce qui vous permettra d'acquérir les connaissances nécessaires pour des applications pratiques.

Dans le module 3, axé sur les modèles de réseaux neurones, vous explorerez les différences entre la formation de modèles d'apprentissage profond et de modèles d'apprentissage automatique traditionnels. Vous apprendrez à modéliser et à entraîner un classificateur basé sur un réseau neuronal, ainsi qu'à formuler du texte en tant que caractéristiques pour l'entraînement de modèles de REP. Nous discuterons des avantages et des inconvénients des approches de Deep learning. Vous concevrez un modèle de réseau neurones pour identifier des concepts à partir de texte libre et appliquerez un modèle d'apprentissage profond formé pour résoudre des tâches NER.

Dans ce module, vous plongerez dans la puissance des modèles de Deep learning dans divers domaines tels que les soins de santé et les commentaires sportifs. Vous apprendrez à construire des modèles de réseaux neurones affinés pour des tâches spécifiques et découvrirez comment configurer un réseau neuronal profond pour la détection d'entités clés. Nous vous présenterons également le monde des grands modèles de langage, en mettant en avant leurs capacités de transformation et leurs applications dans l'extraction d'informations.