Deep Learning og NLP

Natural Language Processing er et eksempel på, hvordan ML-modeller bygges så de kan reagere på ustruktureret input - såsom tekst - på en måde som vi normalt vil tilskrive intelligent menneskelig adfærd. I kurset ser vi på teknikker til at udtrække data fra tekst - det vil sige udtrække information, korrigere og analysere tekst.

På anden del af kurset ser vi nærmere på Deep Learning teknikker. Deep Learning er det først stadie til AI og på kurset ser blandt andet nærmere på algoritmer til genkendelse af objekter på billeder

Den studerende har:
• viden om teori, metode og praksis inden for klassificering af tekst, ML-modeller og sentiment analyse.
• forstå for og kan reflektere over teorier og metoder i en praktisk virkelighed, hvor tekst er en naturlig og mangfoldig datakilde.
• viden om basale modeller inden for Deep Learning til klassificering af objekter på billeder
• opnået evne til at reflektere over metoder inden for Deep Learning i praksis til brug for erhvervsmæssige cases Den studerende kan:
• anvende programmering i R til opstilling af ML-modeller på baggrund af sentiment analyse.
• bruge regulære udtryk til at filtrere i tekst.
• omdanne tekst til egnet numerisk input til ML-modeller.
• anvende programmering i R til opstilling af ML-modeller til brug for objektgenkendelse på billeder
• kunne formidle Deep Learning i praksis . Den studerende kan:
• håndtere forskellige forekomster af tekst som f.eks. søgninger, fritekst i spørgeskemaer og anmeldelser.
• indgå i tværfagligt samarbejde med andre faggrupper med kendskab til teksternes indhold og mening.
• identificere potentielle business cases, hvor tekstanalyse kan bidrage til en bedre løsning eller decideret danne et nyt forretningsområde.
• opbygge og eksekvere modellen inden for Deep Learning
• validere modeller inden for Deep Learning
• benytte keras library i R og forstå Tensorflow, CNTK og Theano