
Обща Информация
Целева аудитория: Деца над 12 години с интерес към програмиране, езици и изкуствен интелект.
Предварителни знания: Базови познания по програмиране (променли, цикли, функции) – за предпочитане Python.
Цел: Да се запознаят участниците с магията на обработката на естествен език (NLP) и да изградят собствени NLP приложения с помощта на Hugging Face.
Материали:
- Платформа за онлайн обучение (Google Classroom, Moodle)
- Google Colab или Jupyter Notebook
- Документация на Hugging Face (https://huggingface.co/docs)
- Набори от данни от Hugging Face Datasets (https://huggingface.co/datasets)
Структура на курса:
Курсът е разделен на 3 модула, всеки с продължителност 4 седмици. Всеки модул включва:
- Лекции: (2 часа седмично) – представяне на теоретичните концепции с интерактивни примери, демонстрации и забавни факти.
- Упражнения: (2 часа седмично) – практически задачи за затвърдяване на наученото, с фокус върху решаване на проблеми и творческо приложение.
- Проект: (1 проект на модул) – по-голям практически проект, разработен самостоятелно или в екип, с възможност за представяне пред публика.
Модул 1: “Здравей, AI!”: Първи стъпки в NLP (4 седмици)
- Седмица 1: “Какво е AI?”: Разкриване на магията на AI.
- Какво е AI и как променя света?
- Забавни примери за AI в ежедневието.
- Игри и дейности за разпознаване на езикови модели.
- Въведение в Python: променливи, типове данни, условни конструкции.
- Седмица 2: “Говорим с компютри”: Първи стъпки в NLP.
- Какво е NLP?
- Приложения на NLP: чатботове, преводачи, анализ на текст.
- Работа с текст в Python.
- Проект: Създаване на прост chatbot с предварително зададени отговори.
- Седмица 3: “Hugging Face – нашият AI помощник”: Запознаване с Hugging Face.
- Какво е Hugging Face и защо е толкова готин?
- Инсталиране на Python и необходимите библиотеки.
- Запознаване с Google Colab.
- Първи стъпки с Hugging Face Transformers.
- Седмица 4: “Говорим езика на AI”: Подготовка на данни.
- Зареждане и преглед на текстови данни.
- Почистване на текст: премахване на ненужни символи и думи.
- Токенизация: разделяне на текст на думи или фрази.
- Проект: Създаване на програма за анализ на честотата на думите в текст.
Модул 2: “AI детектив”: Класификация на текст (4 седмици)
- Седмица 5: “Разчитане на емоции”: Въведение в класификацията на текст.
- Какво е класификация на текст?
- Примери: анализ на чувства, разпознаване на спам.
- Данни за класификация на текст.
- Въведение в машинно обучение: основни концепции.
- Седмица 6: “BERT – супергероят в класификацията”: Използване на BERT.
- Какво са невронни мрежи и как “мислят”?
- Трансформър архитектура: разгадаване на тайната.
- BERT: как “разбира” текст?
- Проект: Използване на BERT за класификация на настроения.
- Седмица 7: “Тренировка на AI детектив”: Фина настройка на модели.
- Трансфер обучение: предаване на знания от един модел на друг.
- Фина настройка на BERT с Hugging Face Trainer: обучение за конкретна задача.
- Оценка на модели: колко е “умен” нашият AI детектив?
- Седмица 8: “Създаване на AI детективско приложение”: Практически проект.
- Проект: Създаване на приложение за анализ на чувства в текст (напр. разпознаване на позитивни, негативни или неутрални коментари).
Модул 3: “AI разказвач”: Генериране на текст (4 седмици)
- Седмица 9: “От думи към истории”: Въведение в генерирането на текст.
- Какво е генериране на текст?
- Примери: писане на истории, превод, създаване на диалози.
- Данни за генериране на текст.
- GPT модели: магичните разказвачи на AI.
- Седмица 10: “GPT – майсторът на историите”: Използване на GPT модели.
- Как GPT “пише” текст?
- Фина настройка на GPT-2 с Hugging Face Trainer: обучение за творческо писане.
- Beam Search декодиране: намиране на най- “интересните” истории.
- Седмица 11: “Развиване на творческия потенциал на AI”: Разширени техники.
- Контролирано генериране: указване на тема, стил или ключови думи.
- Temperature sampling: контролиране на “креативността” на AI.
- Етични съображения при генериране на текст.
- Седмица 12: “AI разказвач в действие”: Финален проект.
- Проект: Създаване на приложение за генериране на текст (напр. писане на кратки истории, стихотворения, диалози).
Допълнителни дейности
- Седмични предизвикателства и забавни игри, свързани с AI и NLP.
- Дискусии за етичното използване на AI технологии.
- Гост-лектори от индустрията (виртуално или на живо).
- Редовни сесии за въпроси и отговори.
- Онлайн ресурси и материали за допълнително обучение.
Оценяване:
- Активно участие в час.
- Решаване на упражненията.
- Разработка на проектите с фокус върху креативност, иновативност и екипна работа.
- Теоретични умения
- Практически умения
- Лични умения
I. Основи на изкуствения интелект и обработката на естествен език:
- Разпознаване на концепции:
- Дефиниране на изкуствен интелект (AI) и описване на неговите ключови характеристики.
- Разбиране на разликата между тесен (Narrow AI) и общ изкуствен интелект (General AI).
- Дефиниране на обработка на естествен език (NLP) и нейните под-области.
- Идентифициране на приложения на AI и NLP в различни сфери на живота.
- Разбиране на основни принципи:
- Обясняване на значението на данните в AI и NLP.
- Разбиране на разликата между обучение с учител (supervised learning) и обучение без учител (unsupervised learning).
- Обясняване на концепцията за невронни мрежи и тяхната роля в NLP.
II. Програмиране с Python за NLP:
- Базови езикови концепции:
- Работа с променливи, типове данни, оператори и изрази в Python.
- Използване на условни конструкции (if, else, elif) и цикли (for, while).
- Дефиниране и извикване на функции.
- Работа с текст в Python:
- Четене и запис на текстови файлове.
- Манипулиране на низове: търсене, замяна, форматиране.
- Работа с регулярни изрази за по- сложни текстови операции.
III. Библиотеката Hugging Face за NLP:
- Основни компоненти:
- Обясняване на ролята на Hugging Face в екосистемата на NLP.
- Навигиране в Hugging Face Model Hub и намиране на подходящи модели.
- Използване на Hugging Face Pipelines за бързо прототипиране и експериментиране.
- Работа с Hugging Face Datasets за зареждане и предобработка на данни.
- Работа с трансформър модели:
- Разбиране на архитектурата на трансформър моделите и тяхното предимство пред традиционните невронни мрежи.
- Обясняване на концепцията за трансфер обучение и нейното приложение в NLP.
- Използване на предварително обучени трансформър модели (BERT, GPT) за различни NLP задачи.
IV. NLP задачи и техники:
- Класификация на текст:
- Дефиниране на класификация на текст и нейните приложения.
- Подготовка на данни за класификация на текст.
- Фина настройка на трансформър модели за класификация на текст.
- Оценка на модели за класификация с помощта на метрики като точност, прецизност и припомняне.
- Генериране на текст:
- Дефиниране на генериране на текст и нейните приложения.
- Подготовка на данни за генериране на текст.
- Фина настройка на трансформър модели за генериране на текст.
- Използване на техники за декодиране като Beam Search за генериране на по- качествени текстове.
- Други NLP задачи:
- Запознаване с други NLP задачи като разпознаване на наречени обекти (Named Entity Recognition), семантичен анализ, обобщаване на текст.
V. Етични аспекти на AI и NLP:
- Разпознаване на етични проблеми:
- Осъзнаване на потенциални пристрастия в данните и моделите.
- Разбиране на ефекта от AI и NLP върху заетостта и обществото.
- Осъзнаване на значението на прозрачността и отговорността при разработването и използването на AI системи.
I. Програмиране с Python за NLP:
- Написване на Python код за:
- Четене, записване и манипулиране на текстови данни.
- Имплементиране на основни алгоритми за обработка на текст (напр. търсене на ключови думи, броене на честота на думи).
- Създаване на прости чатботове с предопределени отговори.
- Използване на интегрирани среди за разработка (IDE):
- Работа с Google Colab за облачно програмиране.
- Настройка и използване на Jupyter Notebook за интерактивно програмиране.
II. Работа с Hugging Face:
- Навигиране в екосистемата на Hugging Face:
- Търсене и избиране на подходящи модели от Hugging Face Model Hub.
- Зареждане и използване на предварително обучени модели за различни NLP задачи.
- Работа с Hugging Face Datasets за зареждане и предобработка на данни.
- Използване на Hugging Face Pipelines:
- Бързо прототипиране и експериментиране с различни NLP модели и задачи.
- Изграждане на прости NLP приложения с помощта на Pipelines.
III. Предобработка на текстови данни:
- Прилагане на техники за почистване на текст:
- Премахване на специални символи, HTML тагове и други ненужни елементи.
- Преобразуване на текст в малки букви (lowercase) или главни букви (uppercase).
- Нормализиране на текст чрез премахване на диалектни особености.
- Извършване на токенизация на текст:
- Разделяне на текст на думи (word tokenization) или фрази (subword tokenization).
- Използване на различни токенизатори от Hugging Face.
- Прилагане на стеминг и лематизация:
- Свеждане на думите до тяхната основна форма (stem/lemma) за подобряване на ефективността на моделите.
IV. Фина настройка на трансформър модели:
- Подготовка на данни за обучение:
- Разделяне на данните на обучителна, валидационна и тестова множества.
- Форматиране на данните в подходящ формат за Hugging Face Trainer.
- Фина настройка на модели с Hugging Face Trainer:
- Дефиниране на модела, хиперпараметрите и обучителния процес.
- Стартиране на обучението и проследяване на прогреса.
- Запазване на обучения модел за по-нататъшна употреба.
V. Оценка и подобряване на модели:
- Изчисляване на метрики за оценка:
- Използване на метрики като точност, прецизност, припомняне и F1-резултат за оценка на производителността на моделите.
- Анализ на грешките на модела и идентифициране на области за подобряване.
- Прилагане на техники за подобряване на модели:
- Експериментиране с различни хиперпараметри.
- Използване на техники за регуларизация за предотвратяване на преобучение.
- Събиране на повече данни или генериране на синтетични данни.
VI. Изграждане на NLP приложения:
- Създаване на прости NLP приложения с Python и Hugging Face:
- Интегриране на обучени модели в приложения за класификация на текст, генериране на текст, чатботове и др.
- Използване на библиотеки за създаване на потребителски интерфейс (GUI) за NLP приложения.
VII. Работа в екип и представяне на резултати:
- Съвместна работа по проекти с използване на Git и GitHub.
- Представяне на проекти и резултати пред публика чрез презентации и демонстрации.
I. Учене и решаване на проблеми:
- Самостоятелно учене: Развиване на умения за търсене, анализиране и усвояване на информация от различни източници (документация, онлайн ресурси, форуми).
- Разбиване на сложни проблеми: Умение за разделяне на големи задачи на по- малки, управляеми стъпки.
- Отстраняване на грешки (debugging): Развиване на логическо мислене и умения за идентифициране и коригиране на грешки в кода.
- Аналитично мислене: Умение за анализиране на данни, резултати от модели и идентифициране на тенденции и закономерности.
II. Организация и управление на времето:
- Планиране на проекти: Разпределяне на време и ресурси за ефективно управление на проекти.
- Поставяне на приоритети: Определяне на най- важните задачи и фокусиране върху тяхното своевременно изпълнение.
- Работа под напрежение: Умение за запазване на спокойствие и ефективност при работа с крайни срокове.
III. Комуникация и работа в екип:
- Ефективна комуникация: Умение за ясно и кратко предаване на идеи, проблеми и решения, както устно, така и писмено.
- Сътрудничество: Работа в екип за постигане на обща цел, разпределяне на задачи и споделяне на знания.
- Конструктивна критика: Даване и приемане на обратна връзка по позитивен и градивен начин.
- Представяне пред публика: Умение за уверено и ангажиращо представяне на идеи и резултати пред публика.
IV. Любопитство и креативност:
- Задаване на въпроси: Развиване на критично мислене и желание за задълбочаване на знанията.
- Експериментиране: Не се страхувайте да експериментирате с различни подходи, техники и инструменти.
- Търсене на иновативни решения: Развиване на умения за креативно мислене и намиране на нови и интересни приложения на NLP.
V. Упоритост и мотивация:
- Поставяне на цели: Дефиниране на лични и професионални цели в областта на AI и NLP.
- Постоянство: Не се отказвайте при затруднения, а търсете решения и продължавайте напред.
- Мотивация за развитие: Желание за непрекъснато усъвършенстване на уменията и знанията в динамичната област на AI и NLP.
Въведение в AI и NLP (Седмици 1-4)
Този модул запознава учениците с основите на Изкуствения Интелект и Обработката на Естествен Език. Участниците ще научат какво представляват AI и NLP, ще разберат тяхното значение и приложения в реалния свят. Модулът включва въведение в програмирането с Python, фокусирайки се върху работата с текстови данни. Учениците ще се запознаят с платформата Hugging Face, ще научат как да инсталират необходимите инструменти и ще направят първите си стъпки в обработката на естествен език. Модулът завършва с основни техники за предварителна обработка на текст и проект за анализ на честотата на думите.
Машинно обучение и класификация на текст (Седмици 5-8)
Вторият модул навлиза в дълбочина в машинното обучение и невронните мрежи, с фокус върху тяхното приложение в NLP. Учениците ще се запознаят с концепцията за трансферно обучение и ще научат как да използват предварително обучени модели за различни NLP задачи. Основен акцент в този модул е класификацията на текст, където участниците ще научат как да обучават и оценяват модели за задачи като анализ на настроения и разпознаване на спам. Модулът завършва с разглеждане на различни техники за оценка и подобряване на NLP моделите.
Генериране на текст и напреднали NLP техники (Седмици 9-12)
Последният модул се фокусира върху по-напреднали теми в NLP, започвайки с генерирането на текст. Учениците ще се запознаят с генеративни езикови модели и ще научат как да ги използват за създаване на творческо съдържание. Модулът включва също така работа с многоезикови модели и основи на машинния превод. Участниците ще се запознаят с технологиите за разпознаване на реч и преобразуване на текст в говор. Курсът завършва с финален проект, където учениците ще имат възможност да приложат всички научени концепции и техники в практическо приложение по техен избор.
Моля, попълнете този формуляр
- PreviewDuration : 1 hrs
- PreviewDuration : 1 hrs
- PreviewDuration : 3 hrs
Total number of Students in this course : 1
-
darren
-
Mcgettrick
-
Nik Raychev
-
testtest test
-
Kaloyan Andreeev
-
Александър Дойчев
No news found!
-
1 Star
-
2 Stars
-
3 Stars
-
4 Stars
-
5 Stars
Comments ( 3 )
Comments are closed.
Свържете се с нас:
Свържете се с нас:
- Бизнес Парк Варна, Сграда Б1, гр. Варна
- support@xplorify.bg
- +358 889 852720
- www.xplorify.bg

Test
Suspendisse dignissim, velit sed mattis ultricies, urna sem auctor velit, convallis facilisis libero elit pellentesque metus. Curabitur porta dui sit amet ligula ullamcorper posuere. Pellentesque rutrum nulla vel tempus ullamcorper. Pellentesque lectus augue.
Testing
Suspendisse dignissim, velit sed mattis ultricies, urna sem auctor velit, convallis facilisis libero elit pellentesque metus. Curabitur porta dui sit amet ligula ullamcorper posuere. Pellentesque rutrum nulla vel tempus ullamcorper. Pellentesque lectus augue.
dummy
Suspendisse dignissim, velit sed mattis ultricies, urna sem auctor velit, convallis facilisis libero elit pellentesque metus. Curabitur porta dui sit amet ligula ullamcorper posuere. Pellentesque rutrum nulla vel tempus ullamcorper. Pellentesque lectus augue.