Natural Language Processing Kurs

• Einführung in die Natürliche Sprachverarbeitung (NLP)
• Definition von NLP und seine Anwendungsgebiete
  • Bedeutung von NLP im modernen Technologiebereich
  • Entwicklung von NLP: Von frühen regelbasierten Systemen zu statistischen Methoden und Deep Learning
  • Grundlagen des maschinellen Lernens in NLP
• Erläuterung von Supervised Learning mit Beispielen
  • Unsupervised Learning: Clustering und Dimensionenreduktion
  • Semi-supervised und Reinforcement Learning in Bezug auf NLP
  • Typische NLP-Aufgaben
• Übersicht über Textklassifikation, Sentiment-Analyse, Named Entity* Recognition (NER) und Part-of-Speech Tagging
  • Maschinelles Übersetzen und Frage-Antwort-Systeme
  • Aktuelle Trends in NLP
• Transfer Learning und vorab trainierte Modelle
  • Zero-Shot und Few-Shot Learning
  • Multimodale Modelle und Cross-modal Learning
  • NLP-Tools und Frameworks
• NLTK (Natural Language Toolkit): Funktionen, Anwendungsfälle und Grenzen
  • Spacy: Funktionen, Vorteile im Vergleich zu NLTK und Integration
  • Transformers (von Hugging Face): Einführung, Modelle und Community
  • BERT (Bidirectional Encoder Representations from Transformers): Funktionsweise, Anwendungsfälle und Variationen
  • GPT (Generative Pre-trained Transformer): Unterschiede zu BERT, Anwendungsfälle und Innovationen
  • AllenNLP: Überblick, Funktionen und Integration
  • Watson Natural Language Understanding: Kernfunktionen, APIs und Anwendungen
  • Google Cloud Natural Language API: Einführung, Hauptfeatures und Best Practices
  • FastText: Funktionsweise, Textklassifikation, Community und Ressourcen
  • RASA für Chatbots und Konversationen: Konzept, Architektur, Best* Practices und Tipps
  • Workshops und Hands-on-Sessions
• Auswahl eines NLP-Problems und passender Frameworks
  • Datenverarbeitung, Modelltraining, Evaluation und Optimierung
  • Best Practices in NLP
• Datenbeschaffung und -aufbereitung
  • Modelltraining, Hyperparameter-Tuning und Regularisierung
  • Deployment und Wartung von NLP-Systemen
  • Zukünftige NLP-Trends
• Forschungstrends, Auswirkungen von NLP auf andere Wissenschaftsbereiche sowie gesellschaftliche und wirtschaftliche Implikationen

Zielgruppe:

Datenwissenschaftler und Analysten, Softwareentwickler, Produktmanager und Entscheidungsträger, UX-Designer und Entwickler von Chatbots

Grundkenntnisse in der Programmierung, insbesondere in Python, da viele NLP-Tools und -Bibliotheken in dieser Sprache geschrieben sind.