Weiterbildung
Python & NLP für Linguisten
Python & NLP für Linguisten
Maschinelle Verarbeitung natürlicher Sprache. Natural Language Processing (NLP) verknüpft Erkenntnisse aus der Linguistik mit neuesten Methoden der Computerwissenschaft und der künstlichen Intelligenz. In diesem Kurs bieten wir einen Überblick über die Potenziale von Künstlicher Intelligenz (KI), einschließlich Tools wie ChatGPT (GPT). Wir möchten den Teilnehmenden eine interaktive und praxisnahe Lernerfahrung ermöglichen und ihre Fähigkeiten in diesem Bereich fördern.
Kursdauer: 4-Wochen-Kurs
Kursname: Python für Linguisten mittels Natural Language Processing
Kursnummer: LS23.235
Unsere Weiterbildungen sind zu 100% förderfähig. Ein Bildungsgutschein der Agentur für Arbeit oder dem Jobcenter ermöglichen berufliche Qualifizierungen.
Zertifikate & Qualifizierung
Nach Abschluss des Kurses erhalten sie ein anerkanntes Zertifikat, für ihre neuen Qualifikationen.
Unterrichtszeiten
Sie haben die Möglichkeit, den Kurs sowohl in Vollzeit als auch in Teilzeit zu absolvieren.
Teilnehmerzahlen
Die Teilnehmerzahl ist variabel, da die Möglichkeit besteht, flexibel in den Kurs einzusteigen.
Optimale Anpassung durch weitere Module
Es besteht die Möglichkeit, diesen Kurs mit zusätzlichen Modulen individuell zu erweitern.
-
Kursinhalte
- Einleitung - Heranführen
- Textdaten verarbeiten und vorverarbeiten
- Grundlegende Techniken der Verarbeitung von Textdaten
- Mit NumPy arbeiten
- One-Hot-Encodierung und Bag‑of‑Words‑Modell
- Grundlagen maschinellen Lernens
- Lineare Regression
- Eine Gerade in eine Punktewolke legen
- Die Lage der Geraden bestimmen
- Die Qualitat eines Modells bestimmen
- Multivariate Regression
- Praktische Umsetzung mit Python und Scikit-Learn
- Logistische Regression
- Verfahrensweise
- Gutemase
- Praktische Umsetzung mit Scikit-Learn
- Softmax-Regression
- Verfahrensweise
- Praktische Umsetzung mit Scikit-Learn
- Einfache Verfahren zur Vektorisierung von Textdaten
- One-Hot-Encodierung und Bag‑of‑Words‑Ansatz
- N-grams
- TF-IDF-Vektorisierung
- Umsetzung mit Scikit-Learn
- Vektorisierung mit dem Count-Vectorizer
- TF-IDF-Vektorisierung
- Lemmatisierung
- Einsatz eines N-gram-Modells
- Deep Learning-Essentials
- Neuronen und neuronale Netze
- Wie neuronale Netze lernen
- Architektur und Einstellungen eines neuronalen Netzes
- Anzahl der Neuronen in der ersten aktiven Schicht
- Anzahl der Neuronen in der Ausgabeschicht
- Aktivierung der Neuronen der Ausgabeschicht
- Auswahl einer passenden Verlustfunktion
- Wahl des Optimierers
- Aktivierung der Neuronen in der verdeckten Schicht
- Ein neuronales Netz mit TensorFlow und Keras aufbauen und anlernen
- Standardisierung der Features
- Aufbau und Einstellungen eines neuronalen Netzes
- Anlernen des Modells
- Steuerung des Anlernprozesses (Early Stopping)
- Generalisierung und Uberanpassung
- Regularisierung
- Dropout
- Praktische Umsetzung
- Rekurrente Netze
- Aufbau und Funktionsweise rekurrenter Netze
- Long Short Term Memory (LSTM) und Gated Recurrent Units (GRU)
- Praxis rekurrenter Netze: eine automatische Rechtschreibkorrektur
- Umsetzung der Encodierung
- Aufbau und Anlernen des rekurrenten Netzes
- Mit einem bidirektionalen rekurrenten Layer arbeiten
- Anlernen neuronaler Netze mit Generatoren
- Generatoren und Generator-Funktionen in Python
- Daten batchweise ziehen
- Neuronale Netze mit Generatoren anlernen
- Die Rechtschreibkorrektur mit einem Generator anlernen
- Konvolutionale Netze
- Funktionsweise konvolutionaler Netze
- Sequenzdaten mit konvolutionalen Netzen verarbeiten
- Praxis des Anlernens eines konvolutionalen Netzes mit Textdaten
- Word Embedding
- Funktionsweise
- Aufgabenubergreifende semantische Raume: word2vec- und fastText-Verfahren
- Mit Word Embedding-Verfahren in der Praxis arbeiten
- Vorverarbeitung und Implementierung mit Keras
- Der Heidegger-Algorithmus: ein generatives Modell zur Erzeugung von Texten
- Aufbau eines generativen Modells
- Vorbereitung der Daten
- Aufbau und Anlernen des Netzes
- Texte erzeugen
- Synonyme Worter identifizieren
- Mit vortrainierten Worteinbettungen arbeiten (fastText)
- fastText-Vektorraume aufbereiten
- Austausch der Gewichte eines Embedding Layers
- Den Vektorraum um unbekannte Worter erweitern
- Komplexe Lernarchitekturen umsetzen
- Die funktionale API von TensorFlow
- Ein Modell mit zwei Eingangen aufbauen und anlernen
- Architektur des Modells
- Anlernen des Modells
- Sequence-to-Sequence-Modelle
- Encoder-Decoder-Modelle mit Teacher Forcing
- Attention-Mechanismus
- Encoder-Decoder-Architekturen in der Praxis
- Ein einfaches Encoder-Decoder-Modell
- Vorbereitung der Daten
- Aufbau des Encoder-Decoder-Modells
- Das Inferenzmodell aufbauen und einsetzen
- Encoder-Decoder-Modelle mit Attention-Mechanismus
- Vorbereitung der Daten
- Zusammenstellung des neuronalen Netzes
- Anlernen des Modells
- Aufbau des Inferenzmodells
- Das Modell fur Ubersetzungen einsetzen
- Transformers
- Aufbau und Funktionsweise
- Self-Attention
- Die Transformer-Architektur
- Subwort-Tokenisierung
- Mit der Hugging Face-Bibliothek arbeiten
- Hauptklassen der Transformers-Bibliothek
- Mit der Hugging Face-Pipeline arbeiten
- Mit der Tokenizer-Klasse arbeiten
- Mit der Model-Klasse arbeiten
- Fine Tuning vortrainierter Netze
- Ein vortrainiertes Modell mit einem nichttrainierten Kopf laden
- Eine Durchleitung organisieren
- Teile des Netzes auf nichttrainierbar stellen
- Das Modell anlernen
-
Zielgruppe
Linguisten
-
Voraussetzungen
fortgeschrittene Python-Kenntnisse, Machine-Learning
-
Abschluss
Zertifikat: Zertifikat des Bildungsträgers
Vielfältige Perspektiven durch erfolgreiche Weiterbildung
Eine erfolgreich abgeschlossene Weiterbildung eröffnet vielfältige Perspektiven auf dem Arbeitsmarkt. Sie qualifiziert Sie für den Einstieg in neue Berufe oder ermöglicht Ihnen den Aufstieg in einem bereits bestehenden Berufsfeld. Gerade in Zeiten des Fachkräftemangels sind gut ausgebildete Fachkräfte gefragter denn je. Mit den Kompetenzen, die Sie in zukunftsorientierten und auf den digitalen Wandel abgestimmten Kursen erwerben, werden Ihre Chancen auf eine langfristige Beschäftigung deutlich verbessert. Darüber hinaus erhöhen Sie Ihre Flexibilität und Anpassungsfähigkeit an sich verändernde Marktanforderungen und stärken damit Ihre Position bei potenziellen Arbeitgebern.
- Ein erfolgreicher Abschluss bietet somit neue Karrierechancen, langfristige Stabilität und persönliche Weiterentwicklung.
Erweitern Sie individuell den Kurs mit passenden Modulen
Weiterbildung für
Arbeitssuchende
Beratungsgespräch vereinbaren
Nutzen Sie die Auswahlbox, um einen Standort bzw. einen Termin auszuwählen oder zu ändern. Alternativ können Sie auch an Online-Schulungen teilnehmen.
Eine Teilnahme von zu Hause aus ist möglich, wenn Ihr Förderträger (und ggf. die zuständige Handelskammer) zustimmt.
Kursdetails als PDF
Hier haben Sie die Möglichkeit, sich die Kursdetails als PDF herunterzuladen.
Ihre Vorteile auf einen Blick
-
Individueller Kurs nach Ihrem Bedarf
Durch die Auswahl verschiedener Module kann ein individueller Kurs zusammengestellt werden, der gezielt die benötigten Kompetenzen vermittelt. -
Bis zu 100% Förderung möglich
Unsere Weiterbildungen sind zu 100% förderfähig. Bildungsgutscheine der Agentur für Arbeit oder des Jobcenters ermöglichen eine kostenfreie berufliche Qualifizierung. -
Erwerb von anerkannten Zertifikaten
Die Teilnehmenden erhalten anerkannte Zertifikate, die ihre neu erworbenen Qualifikationen dokumentieren und ihre Chancen auf dem Arbeitsmarkt verbessern. -
Sicherung von Zusatzprämien
Die erfolgreiche Teilnahme an unseren Weiterbildungsmaßnahmen sichert zusätzliche Prämien, die die Motivation steigern und den Berufseinstieg erleichtern. -
Standortunabhängiges Lernen
Unsere Weiterbildungen erlauben standortunabhängiges Lernen. Durch den sofortigen Einstieg in die Kurse können Sie schnell und flexibel in Ihre berufliche Zukunft starten.
