Visão Geral

Curso AI para Text NLP e Forecasting,  ensina os participantes a criar redes neurais recorrentes (RNNs) e redes de memória de longo prazo (LSTMs) para aplicar modelos de sequência ao processamento de linguagem natural (NLP). . Os participantes aprendem como implementar esses modelos desde o início usando Keras/TensorFlow, construindo inicialmente uma rede neural rasa e, em seguida, progredindo para arquiteturas de Deep Learning (DL).

AI for Text, também conhecido como NLP (Natural Language Processing), é uma área da inteligência artificial que se concentra em compreender e processar linguagem natural humana. O objetivo é criar sistemas de computador que possam compreender, interpretar e gerar texto, além de realizar tarefas que normalmente requerem habilidades humanas de linguagem natural, como tradução, resumo, classificação, etc.

NLP é usado em vários aplicativos, incluindo chatbots, assistentes virtuais, sistemas de tradução automática, análise de sentimentos em textos, etc. A tecnologia NLP se baseia em técnicas de processamento de linguagem natural, incluindo análise de linguagem, modelagem de linguagem e aprendizado de máquina.

O NLP é importante porque permite que os computadores compreendam e processem informações encontradas em textos, tornando-os mais acessíveis e úteis para os seres humanos. Além disso, a tecnologia NLP está evoluindo rapidamente e continua a ser uma área de pesquisa ativa, o que significa que há muito espaço para o crescimento e aprimoramento no futuro.

Objetivo

Após realizar este Curso AI for Text NLP and Forecasting, você será capaz de:

• Compare IA versus ML versus DL
• Trabalhe com TensorFlow e Keras
• Usar algoritmos de sequência
• Trabalhar com Redes Neurais Recorrentes (RNN)
• Implementar casos de uso para redes neurais recorrentes
• Use variantes de RNN, como memória de longo prazo (LSTM)
• Discutir aplicativos de processamento de texto e linguagem para IA
• Implemente o processamento de linguagem natural (NLP)

Publico Alvo

O público-alvo para AI for Text, NLP, é amplo e inclui:

1. Desenvolvedores de software: Eles podem usar técnicas de NLP para criar aplicativos que processam linguagem natural humana, como chatbots, assistentes virtuais, tradutores, etc.

2. Empresas de tecnologia: As empresas de tecnologia podem usar NLP para criar soluções de processamento de linguagem natural para seus clientes ou integrar NLP em seus próprios aplicativos.

3. Empresas de mídia e entretenimento: Elas podem usar NLP para análise de sentimentos em feedback de clientes, classificação de conteúdo, etc.

4. Empresas de pesquisa de mercado: Elas podem usar NLP para analisar dados de linguagem natural coletados em pesquisas de mercado e entender melhor as opiniões e sentimentos dos consumidores.

5. Instituições acadêmicas: As instituições acadêmicas podem usar NLP para pesquisa e ensino em linguística computacional e inteligência artificial.

Em resumo, NLP é uma tecnologia ampla e versátil que pode ser usada por uma ampla gama de indústrias e públicos-alvo para melhorar a eficiência e a eficácia na processamento de linguagem natural humana.

Pre-Requisitos

• Todos os alunos devem ter experiência básica em Python e compreensão de aprendizado de máquina.

Materiais

Conteúdo Programatico

Introduction

Compare AI vs ML vs DL

Introduction to Neural Networks

1. The math behind neural networks
2. Activation functions
3. Vanishing gradient problem and ReLU
4. Loss functions
5. Gradient descent
6. Back propagation
7. Understanding the intuition behind neural networks

Introducing Perceptrons

1. Single Layer linear classifier
2. Step Function
3. Updating the weights
4. Linear separability and XOR problem
5. Hidden Layers: Intro to Deep Neural Networks and Deep Learning
6. Hidden Layers as a solution to XOR problem
7. The architecture of deep learning

Introducing Keras/TensorFlow

1. What is Keras?
2. Using Keras with a TensorFlow Backend

Introducing TensorFlow

1. TensorFlow intro
2. TensorFlow Features
3. TensorFlow Versions
4. GPU and TPU scalability
5. The Tensor: The Basic Unit of TensorFlow

Introducing Tensors

1. TensorFlow Execution Model
2. Recurrent Neural Networks in Keras/TensorFlow

Introducing RNNs

1. RNNs in TensorFlow

Long Short-Term Memory (LSTM) in TensorFlow

Text processing elements

TF-IDF

Word2vec

Tokenizers, N-grams

Stopword Removal

Sentiment Analysis

Text Processing Pipelines

Natural Language Processing

1. What is NLP?
2. Sensory Acuity
3. Behavioral Flexibility
4. NLP Techniques
5. NLP and Deep Learning

Word2vec

Learning Word Embedding

The Skip-gram Model

Building the Graph

Training the Model

Visualizing the Embeddings

Optimizing the Implementation

Text classification with TensorFlow

Automatic Translation (seq2seq)

Text Generation with RNN

Named Entity Extraction with RNNs (Sequence Modeling)

Bidirectional LSTM with Attention

Natural Language Processing Pipelines

Conversational AI

Introduction to the Rasa Framework

Generating Natural Language

Understanding Natural Language

Chatbots

Time Series Processing and Forecasting Elements

Traditional Time Series forecasting with ARIMA Models

Defining Autocorrelation

Understanding the Dickey-Fuller Test

Forecasting with TensorFlow and Keras

Using RNN and LSTM in Time Series Prediction

Validation and Metrics of Time Series Prediction Models

References and Next steps

Structured Activity/Exercises/Case Studies

1. Keras Hands-on
2. TensorFlow Hands-on
3. Using TensorFlow to create an RNN
4. Sentiment analysis project
5. Natural Language Processing project