Машинное обучение: Обработка естественного языка на Python

NLP-модели теперь требуют понимания основ, на которых строятся архитектуры вроде BERT и GPT — этот материал закрывает разрыв между классической теорией и современным deep learning. Вы освоите переход от простых счетных векторов к нейронным эмбеддингам и вероятностным методам, которые лежат в основе обучения большинства языковых моделей.

Внутри разбираются:

• Преобразование текста в векторы через CountVectorizer, TF-IDF, word2vec и GloVe.
• Построение марковских моделей для задач генерации текста и создания классификаторов.
• Практическое применение классических алгоритмов машинного обучения для фильтрации спама, анализа тональности и тематического моделирования.
• Техники предварительной обработки: токенизация, стемминг и лемматизация.

Курс ориентирован на программистов на Python, знакомых с основами линейной алгебры и теории вероятностей. В результате вы научитесь самостоятельно собирать системы для классификации документов, поиска информации и генерации контента на основе данных.