ChatGPT/AI - PNLP-GPT

Python中文自然語言NLP深度學習與大型語言LLM專家課程

Chinese Natural Language NLP Deep Learning and Large Language LLM
  • 時數：28小時
  • 費用：NT$ 24,000
  • 點數：6.0

選擇查詢分區開課時間

地點 班號 日期 時間 預約
台北 253521 班 2025/03/24 ~ 2025/03/27 每週一二三四 09:00~17:00 預約
台北 253523 班 2025/04/12 ~ 2025/04/20 每週六日 09:00~17:00 預約
台北 253522 班 2025/06/16 ~ 2025/06/19 每週一二三四 09:00~17:00 預約
高雄 253521ZK 班 2025/03/24 ~ 2025/03/27 每週一二三四 09:00~17:00 預約 Live

目前查無開課時段

詳細開課時間請洽詢業務
新竹、台中、高雄如有上課需求，請參考台北開課日期，洽當地服務人員依需求加開遠距開課日期

聯絡恆逸

教材

恆逸專用教材

課程目標

本課程的主要目標是深入探索AI人工智慧在中文自然語言處理領域的廣泛應用。深入研究 NLP 技術在社群媒體語料和消費者行為分析中的應用，不僅僅涵蓋聲量分析，如按讚、留言和分享，還包括更進一步的方法。善用爬蟲技術從媒體平台，如Meta（Facebook）和Instagram，收集具有評分的留言，建立訓練集，專注於理解消費者真實的想法和意見，並將其應用於消費者數據平臺（CDP）上的自動化標籤，進行受眾趨勢和喜好的分析，以制定精準的市場策略。

此外，課程包括中文情感分析的相關內容，包括文字資料的清洗和儲存，以及使用 Python 進行預處理、正規化和去除停用詞等技術。你將學習如何發現新詞、進行詞性標記，並使用機器學習和深度學習技術，如遞歸神經網絡（RNN）、XGBoost和樸素貝葉斯演算法，實現情感分類、文章分類和分群模型。最後，我們將進行遷移學習，調優模型參數並優化性能，再將模型部署為 API，以RESTful 方式存取 API 進行語言模型的預測。

課程的第三部分將介紹大型語言模型（LLM）的開發和應用。我們將動手微調(Fine-tuning)企業專屬的 OpenAI 模型，建立 OpenAI Assistants API 助手，提供知識問答功能，並構建 OpenAI GPTs，以提供對內和對外資料的串接機制。除了動手呼叫 OpenAI 與 Google Gemini 之外，我們還將研究 LlaMA 2 和 Mistrial 模型的微調訓練。最後，我們將使用RAG（Retrieval-Augmented Generation）來擴增知識，並整合 LangChain 和 LlamaIndex，實現站在巨人肩膀上的大語言模型能力。課程將完成將大語言模型轉換為對 CPU 友善 的 GGUF 格式，並實作離線私有化的 LLM 架構部署。

適合對象

  1. 高階軟體開發工程師
  2. 大數據相關研發人員或資料科學家
  3. 統計/數值分析研究人員
  4. 中文自然語言處理專家
  5. 大型語言模型微調專家
  6. 大型語言模型 RAG 架構專家

預備知識

  1. 熟悉Python程式語言撰寫能力，建議先修習恆逸資訊的「Python程式設計」以及「Python與機器學習深度學習-使用Keras與TensorFlow」相關課程。
  2. 了解結構化和非結構化資料庫結構，具有基本的資料庫知識，包括MySQL和MongoDB等。這將有助於您在應用中處理和管理巨量文字資料。
  3. 若能預先具備機器學習（Machine Learning）理論基礎知識，將有助於更深入理解語言模型的運作原理和應用。

因為這在中文自然語言模型訓練中會用到上述的基礎知識，本堂課也將從這些基礎上開始。

課程內容

1.AI的下一世代：ChatGPT 的崛起與自然語言處理 (NLP) 基礎

　● 自然語言處理 (NLP) 的核心概念：自然語言理解 (NLU) 與自然語言生成 (NLG)

　● 解析 ChatGPT 與大型語言模型 (LLM) 的架構與運作原理

　● AI Agents 在 NLP 應用中的角色：動態應對複雜任務的智能代理

2.文字資料採集與前處理

　● Python 爬蟲 (Web Crawling) 與 Scrapy 框架：實作高效能數據擷取

　● MongoDB 非結構化資料庫：建構 NLP 文字儲存與檢索系統

　● 巨量資料集收集與清理：從社群媒體 (Facebook/Instagram) 爬取留言，實作自動化資料清洗與標註

3.機器學習 (ML) 速成：NLP 核心算法

　● 決策樹 (Decision Tree) 與隨機森林 (Random Forest) 在 NLP 領域的應用

　● 梯度下降 (Gradient Descent) 的最佳化策略，提升模型訓練效率

4.機率生成模型與分類模型

　● 貝氏分類 (Bayesian Classification) 在中文語意分析的應用場景

　● HMM（隱馬爾可夫模型）與 Transformer 在語意建模上的對比

5.關聯詞彙與語言建模 (Tokenization & Embedding)

　● 中文分詞技術：Ckip、Jieba、Transformers 在 NLP 領域的應用

　● 語意向量化技術：Word2Vec、Doc2Vec 與預訓練 Transformer 模型的比較

　● 思維鏈推理 (CoT) 在語義關聯推導的應用

6.文章分類與語意理解

　● 詞袋模型 (Bag of Words) 與 TF-IDF 特徵工程

　● Naive Bayes 分類器與 XGBoost 在文本分類的實戰應用

7.情感分析 (Sentiment Analysis) 與細粒度文本分類

　● Fine-tuning HuggingFace 預訓練模型，解析中文長短句的情感傾向

　● 使用 Google Play Store 評論數據，訓練基於 Keras/TensorFlow 的 RNN 情感分析模型

　● 結合 AI Agents，提升情感分析系統的適應性與自動標註精度

8.中文姓名與暱稱的性別預測建模

　● 訓練中英文姓名性別分類模型，應用於個性化行銷與身份識別

　● 建構 NLP 索引與標籤查找機制，提升模型準確度

9.自然語言處理應用案例分析

　● 部署中文姓名預測 API，提供地端預測服務

　● 廣告投放最佳化：自然語言文章分類在標籤投放中的應用

　● 品牌輿情監測：Facebook/Instagram 留言探針，實現品牌危機即時預警

　● 社群數據分析：PTT 熱門新聞摘要與語意關聯分析

　● 思維鏈推理 (CoT) 在文本理解與推理分析的實戰應用

10.微調 (Fine-tuning) ChatGPT 及 LLM，打造產業專屬 AI 助手

　● 通用人工智慧 (AGI) 與 LLM 的未來發展趨勢

　● 企業專屬 LLM 微調：構建自有領域知識庫，提高模型專業性

　● 合併 QLoRA Adapter 接續遷移式學習 (Transfer Learning) 實作

　● 微調 OpenAI 模型，構建知識庫助手，建構企業內部知識管理(KM)能力

11.延伸大型語言模型 (LLM) 知識擴增 (RAG) 與 AI Agents 應用

　● 融合知識檢索 (RAG) 與 OpenAI 生成技術，提升 LLM 回應準確度

　● 提示詞工程 (Prompt Engineering)：運用 LangChain 與 LlamaIndex 進行高效檢索與生成

　● AI Agents 在 NLP 領域的應用：智能化任務分配與動態回應生成

　● 防止 AI 幻覺 (Hallucination)：LLM 的事實查核技術 (Fact-checking)

　● 地端 SLM 部署 (GGUF)：高效能本地化模型運行與推理加速

學會技能

  1. 運用Python爬蟲爬取文章作為訓練資料集的能力
  2. 使用深度學習快速為文章自動打上標籤Tagging模型
  3. 遞歸神經網路(RNN)、詞袋模型(Bag of Words)、TF-IDF詞頻分類法、Naive Bayes分類器、XGBoost分類器
  4. 為企業提供自然語言社群快速分類新聞與產業消息分類的應用
  5. 訓練情感分析模型，升級企業於客戶服務文字背後的情緒正負面
  6. 建立企業自然語言AI處理中心，從辭彙找到最近關聯到的新聞關聯字詞
  7. 滿足企業社群聆聽(Social Listening)中文處理，視覺化智慧化文字雲
  8. 為企業外部消費者收集使用者Facebook暱稱、Instagram姓名，預測性別，了解目標消費者樣貌輪廓
  9. 設計與部署自然語言應用訓練好的模型為APIs，透過程式化溝通直接使用model模型
  10. 管理與更版自然語言語料、模型，不間斷重複訓練，掌握中文分類、標籤、情感、關聯的全方面解決方案
  11. 探究業界自然語言於品牌、競品理解大眾語意，推薦決策與品牌操作策略
  12. 掌握深度學習在自然語言處理的應用，善用pre-trained model與Transformers進行遷移式學習
  13. 微調(Fine-tuned)企業專屬的 OpenAI 模型
  14. 建立 OpenAI Assistants API 助手提供知識問答
  15. 建構 GPTs 提供對內與對外的串接機制
  16. 探討 LlaMA 2、Mistrial 模型的微調訓練
  17. 使用 RAG(Retrieval-Augmented Generation) 擴增知識
  18. 整合 LangChain、LlamaIndex 套件與向量資料庫 (Vector Database)
  19. 將大語言模型轉為對 CPU 友善的 GGUF 格式
  20. 完成部署離線私有化的 LLM 部署

備註事項

課程優惠方案：

學生優惠價：參加校園IT職涯學習護照方案，享有5折優惠價NT$12,000元