실무 프로젝트와 모델구현으로 배우는 자연어처리 심화

프로젝트 패키지 Online

실무 프로젝트와 모델구현으로
배우는 자연어처리 심화

현업 활용도 100%
실무 CASE 프로젝트

실무에서 가장 많이 활용되는
자연어처리 프로젝트 사례
High level
심화내용 학습

자연어처리 기술 활용을 위한
High-level 실습과 심화내용 학습
논문 기반 최신 SOTA
모델에 대한 이해와 응용

논문을 기반으로 한
최신 SOTA 모델 구현 & 실무 문제 해결

이론 강의와 예제 실습 몇개만으로 실무에서 직접 모델을 구현하고 적용해볼 수 있을까?
이론 중심의 겉핥기식 강의는 이제 그만!

현업에 바로 적용 가능한 ‘실전 프로젝트’와
논문 기반 ‘SOTA 모델구현’으로 끝내는 자연어처리

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

매년 빠르게 성장하며, 다양한 분야에서
활용되고 있는 자연어처리 분야!

산업에 관계 없이 딥러닝 기술이 자연어 처리 분야에 적용되고 있으며
이제 AI와 자연어처리는 뗄 수 없는 필수불가결한 요소입니다.

단지 기본 개념만 학습하고 실습해보는 것만으로는
현업에서 활용되는 자연어처리 기술을 모두 이해하기에 부족합니다.

결국 중요한 것은,
현업에서 모델 구현과 프로젝트 활용 여부입니다.

자연어 처리에 대한 심화된 주제로
바로 프로젝트에 응용해 볼 수 있는 기회!

본 강의는 기본 개념과 이론적인 내용보다는
프로젝트와 논문을 기반으로 모델 구현 실습을 경험하고
실무 사례에 적용해보는 형태입니다.

자연어처리 실무자가 마주하는 다양한 문제를 바탕으로
핵심 모델을 직접 구현해해보고
현업에 바로 활용할 수 있도록 만들어 드립니다.

다양한 주제 별 프로젝트
+
논문 기반 SOTA 모델 구현
+
High level 심화학습

이 모든 것을 한-번에!

👇 강의 엿보기 👇

현업 활용도 100%
핵심 실전 프로젝트 5개로 끝내기!

실무에서 발생하는 문제와 케이스를 어떻게 해결하는가?
자연어처리 문제해결 과정을 녹인 실무 기반 심화 프로젝트 직접 구현 해보기!

실전 프로젝트를 통해 자연어 처리의 전체 프로세스를 모두 경험하고
다양한 문제 사례를 직접 해결볼 수 있습니다.

총 20시간 이상 분량!

최신 SOTA 모델
논문 리뷰 & 코드 구현

NLP 분야에서 가장 정확도가 높고 새롭게 개선된
“SOTA 모델”에 관한 논문 5개를 리뷰하고 코드를 직접 구현해봅니다.

‘SOTA 모델’ 이란?
‘State-of-the-art’ 약자로 ‘현재 최고 수준의 결과’를 가진 모델!

실무를 위해 ‘SOTA 모델’ 배워야 하는 이유?
문제와 데이터에서 얻은 인사이트로 급변하는 현업 문제에서
가장 정확도가 높은 모델로 성능을 개선시키고 실무에 적용할 수 있습니다.

총 10시간 이상 분량!

다양한 산업에서 활용되는
한국어&영어 데이터 자연어처리 실습

번역서 중심의 영어 데이터만 다루는 강의로는 부족합니다.
영어 데이터 뿐만 아니라 실무에서 활용되는 한글 데이터도 함께 활용하여
자연어 처리 사례들을 직접 다루어봅니다.

높은 난이도의 한국어 데이터

모호한 띄워쓰기와 한자기반의 언어인 한국어를 다룰 때
기존에 다른 언어로 진행할 때 발생한 특성과 문제도
많은 차이가 있습니다.

한국어 일상 대화 데이터의 특성과 관련된 코딩을
충분히 다루어 실무에서 자연어처리 도입을 통해
새로운 서비스를 개발에 도움을 드립니다.

논문과 글로벌 기업에서
가장 많이 활용되는 영어 데이터

아마존, 애플, 이베이 등 글로벌 서비스에서
필수적으로 활용되고 있는 대량의 영어 데이터

영어 데이터를 기반으로 딥러닝 알고리즘 모델의 구현과
감정분석 테스트 분석을 직접 수행해봅니다.

실무 활용 성능 극대화를 위한
High-level 심화내용 학습

자연어처리 학습의 궁극적인 목표는 실무에서 활용하는 것입니다.

Transformer & graph 기반으로 High-level 심화내용을
직접 학습해보고 다양한 기법과 모듈을 활용하여
최신 모델을 직접 구현해보고 실무에 활용해 볼 수 있습니다.

실무 프로젝트 맞춤형 커리큘럼으로
모델구현부터 분석까지 한번에!

실전 자연어처리 노하우와 인사이트를 모두 담은
프로젝트 기반 커리큘럼을 직접 경험해볼 수 있습니다.

효율적인 활용 방법
NLP Engineer
전문가의 강의&질의 응답

수업 내용부터 실습까지 잘 모르는 내용이 있으면 Slack 질의응답 채널에 자유롭게 질문하세요.
(교육 내용 범주 안에서 질의응답, 2022년 9월 30일 ~ 2024년 9월 30일까지 적용)

자연어처리 실무 프로젝트
패스트캠퍼스에서 직접 하세요!

강사님을 소개합니다

이주성 님

(현) 카카오 엔터프라이즈 자연어서비스팀, 자연어처리 연구개발
(전) LG 사이언스파크 AI 머신러닝팀, 자연어처리 연구개발
(전) LG CNS AI Rsearch Team, 자연어처리 연구개발

[논문]
• The Emotion is Not One-hot Encoding: Learning with Grayscale Label for Emotion Recognition in Conversation
• CoMPM: Context Modeling with Speaker’s Pre-trained Memory Tracking for Emotion Recognition in Conversation
• Stable Style Transformer: Delete and Generate Approach with Encoder-Decoder for Text Style Transfer

Rina 님

(현) 대기업 L사 AI Researcher
Google Tensorflow Developer Certificate 보유
IITP - Purdue University K-SW Square 출신

[프로젝트]
• Pretraining Language Models (BERT, ELECTRA 등)
• Machine Reading Comprehension
• Information Retrieval 을 활용한 Question Answering
• Question Generation
• Text Summarization

David 님

(현) 국내 IT 대기업, Machine Learning Research Engineer
(전) 국내 IT LAB, Machine Learning Research Engineer

[프로젝트]
• Open-Domain QA (Passage Retrieval, MultiHopQA), NLU tasks (Assistant, Bot classifier, Intent Classifier, Bot builder)
• Graph-based models such as link prediction, and community detection for network analysis project
• Knowledge graph auto-construction system without labeled data where our company requires some automatic training service system for B2B business

김대규 님

(현) 대기업 s사, NLP Engineer
(전) H사, Machine Learning Engineer

[프로젝트]
Open-domain Dialog System
• Researching open-domain dialog system for chatbot based on BERT, DialoGPT, GPT2 and so on, both in Korean and English
Named Entity Recognition
• Processed text data and built Named Entity Recognition model using BiLSTM-CNN-CRF model, both Korean and English
Intent Classification
• built text classification model in Office Talk chatbot (FastText, TextCNN; multi class classification, received about 96% accuracy on balanced data set)

자주 묻는 질문

Question 1.

어떤 분들이 수강하시면 좋을까요?

• 실무에서 가장 많이 활용되는 알고리즘과 모델을 깊이 있게 파악하고 싶으신 분
• 최신 기술 기반 논문을 참고하여 다양한 모델을 직접 프로젝트에 응용해보고 싶은 분
• 프로젝트 중심으로 여러가지 NLP 문제 사이클을 한번 경험하고 해결해보고 싶은 분

Question 2.

필요한 선수지식이 있을까요?

• 자연어 처리 기초
• Python 및 PyTorch 사용법
• BERT, RoBERTa, BART, ELECTRA 등 최신 SOTA 모델 이해
• Huggingface 라이브러리 기초

커리큘럼

진짜 실전을 알려주는 프로젝트 기반 학습 커리큘럼을 확인하세요.
Basic 부터 Advanced 까지 현업에서 활용하는 프로젝트를 직접 수행해보고 실력을 업그레이드하세요.

Part 1. 대화속 감정인식

01. 감정인식에 대해 알아보기

대화 속 감정인식 모델링 프로젝트 실습에 앞서 감정인식 프로젝트에 대해 이해하고, 관련 논문을 찾아 살펴봅니다.

[이론]
• 감정인식 프로젝트 설명
• 프로젝트 관련 논문 찾기
• 프로젝트 관련 데이터 찾기
• ERC 관련 논문 소개

[논문]
• MELD: A Multimodal Multi-Party Dataset for Emotion Recognition in Conversations, ACL 2019
• COSMIC: COmmonSense knowledge for eMotion Identification in Conversations, Findings of EMNLP 2020
• CoMPM: Context Modeling with Speaker's Pre-trained Memory Tracking for Emotion Recognition in Conversation, NAACL 2022

02. 대화 속 감정인식 모델링 해보기

Pytorch 와 Hugging face 활용하여 대화 속 감정인식 모델링 프로젝트 실습을 직접 진행해봅니다.

[이론]
• 데이터 살펴보기
• 사전 학습 모델 백그라운드 및 모델 선정

[실습]
• 데이터 프리프로세싱
• 파이토치로 데이터로더 만들기
• 허깅페이스로 모델링하기
• 학습코드 구현하기

03. 대화 속 감정인식 모델 분석하기

대화 속 감정인식 모델링 프로젝트 실습 내용을 바탕으로 모델을 분석하고 더나은 모델을 만들기 위한 요소를 찾아봅니다.

[실습]
• 비교&구현 모델 성능 직접 살펴보기
• Error 케이스 확인하기
• 더 나은 모델 만들기 위한 요소 확인하기

Part 2. 멀티턴 응답선택

01. 멀티턴 응답선택에 대해 알아보기

멀티턴 응답선택 프로젝트 실습에 앞서 멀티턴 응답선택 프로젝트에 대해 이해하고, 관련 논문을 찾아 살펴봅니다.

[이론]
• 멀티턴 응답선택 프로젝트 설명
• 프로젝트 관련 논문 찾기
• 프로젝트 관련 데이터 찾기
• MRS 관련 논문 소개

[논문]
• Contextual Fine-to-Coarse Distillation for Coarse-grained Response Selection in Open-Domain Conversations, ACL 2022
• Fine-grained Post-training for Improving Retrieval-based Dialogue Systems, NAACL 2021

02. 멀티턴 응답선택 학습 1단계

Pytorch와 Hugging face를 활용하여 멀티턴 응답선택 모델링을 직접 해보며 학습 코드 구현하기

[실습]
• 데이터 프리프로세싱
• Pytorch로 데이터로더 만들기
• Hugging face로 모델링하기
• 학습코드 구현하기

03. 멀티턴 응답선택 학습 2단계

Pytorch와 Hugging face를 활용하여 멀티턴 응답선택 모델링을 직접 해보며 학습 코드 구현하기

[실습]
• 데이터 프리프로세싱
• Pytorch로 데이터로더 만들기
• Hugging face로 모델링하기
• 학습코드 구현하기

04. 멀티턴 응답선택 모델 분석하기

멀티턴 응답선택 모델링 프로젝트 실습 내용을 바탕으로 모델을 분석하고 더나은 모델을 만들기 위한 요소를 찾아봅니다.

[실습]
• 비교&구현 모델 성능 직접 살펴보기
• Error 케이스 확인하기
• 더 나은 모델 만들기 위한 요소 확인하기

Part 3. 텍스트 요약

01. 텍스트 요약에 대해 알아보기

텍스트 요약 프로젝트 실습에 앞서 프로젝트에 대해 이해하고, 관련 논문을 찾아 살펴봅니다.

[이론]
• 텍스트 요약 프로젝트 설명
• 텍스트 요약 데이터셋 소개
• 데이터 요약 모델 소개
• BERT 기반 텍스트 요약 논문 소개

[논문]
• Fine-tune BERT for Extractive Summarization
• Text Summarization with Pretrained Encoders, EMNLP 2019

02. 추출 요약 모델링 해보기

텍스트 추출 요약 프로젝트 실습 내용을 바탕으로 데이터 전처리 및 학습 코드를 직접 구현해봅니다.

[실습]
• 데이터 전처리
• 사전 학습 모델링
• 학습 코드 구현

03. 추출 요약 모델 분석하기

텍스트 추출 요약 프로젝트 실습 내용을 바탕으로 모델 성능을 확인,분석하고 더 나은 모델 성능 개선을 위한 방안을 찾아봅니다.

[실습]
• 모델 성능 확인하기
• Error 케이스 확인하기
• 모델 성능 개선 하기

Part 4. 질의 응답

01. 질의 응답에 대해 알아보기

질의 응답 프로젝트 실습에 앞서 프로젝트에 대해 이해하고, 관련 논문을 찾아 살펴봅니다.

[이론]
• 질의응답 프로젝트 설명
• 질의응답 데이터셋 소개
• 데이터 요약 모델 소개

[논문]
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
• ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators

02. 질의 응답 모델링 해보기

질의 응답 프로젝트 실습 내용을 바탕으로 데이터 전처리 및 학습 코드를 직접 구현해봅니다.

[실습]
• 데이터 전처리
• 사전 학습 모델링
• 학습 코드 구현

03. 질의 응답 모델 분석하기

질의 응답 프로젝트 실습 내용을 바탕으로 모델 성능을 확인, 분석하고 더 나은 모델 성능 개선을 위한 방안을 찾아봅니다.

[실습]
• 모델 성능 확인하기
• Error 케이스 확인하기
• 모델 성능 개선하기

Part 5. 개체명 인식

01. 개체명 인식에 대해 알아보기

개체명 인식 프로젝트 실습에 앞서 프로젝트에 대해 이해하고, 관련 논문을 찾아 살펴봅니다.

[이론]
• 개체명 인식 프로젝트 설명
• 데이터셋 소개
• 데이터 요약 모델 소개

[논문]
• 1) Portuguese Named Entity Recognition using BERT-CRF, Fábio Souza et al., 2019
• 2) Neural Architectures for Named Entity Recognition, Guillaume Lample et al., 2016

02. 개체명 인식 모델링 해보기

개체명 인식 프로젝트 실습 내용을 label studio tool을 활용해봅니다.

[이론]
• Label studio 설치 및 환경구성
• Label studio 데이터 라벨링
• Label studio 기존 데이터 임포트

03. 개체명 인식 모델 분석하기

개체명 인식 프로젝트 실습 내용을 바탕으로 모델 성능을 확인, 분석하고 더 나은 모델 성능 개선을 위한 방안을 찾아봅니다.

[실습]
• 데이터 전처리 모델구현
• 학습/평가 모델구현

04. 모델 리뷰

• 모델 성능분석
• 최종 정리

Part 6. 자연어처리 논문 실습

01. 기계 번역

기계번역 sota 모델 논문을 이해하고 이를 바탕으로 모델을 직접 구현해봅니다.

[이론]
• 통계기반 번역 모델 이해하기
• 인공신경망 기반 번역모델 이해하기
• 기계번역 모델 논문 이해하기

[실습]
• 기계번역 sota 모델 구현하기

[논문]
• Lessons on Parameter Sharing across Layers in Transformers

02. 문장 유사도 측정

문장 유사도 측정 sota 모델 논문을 이해하고 이를 바탕으로 모델을 직접 구현해봅니다.

[이론]
• 문장 유사도 태스크 이해하기
• 문장 유사도 논문 이해하기

[실습]
• 문장 유사도 sota 모델 구현하기

[논문]
• Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks (2019, EMNLP)

03. 언어 모델 이용한 문서검색

언어모델 이용한 문서검색 sota 모델 논문을 이해하고 이를 바탕으로 모델을 직접 구현해봅니다.

[이론]
• 검색 모델 이해하기
• 인공신경망 기반 검색모델 • 문서 검색 모델 논문 이해하기

[실습]
• 언어 모델 이용한 문서검색 모델 구현하기

[논문]
• Dense Passage Retrieval for Open-Domain Question Answering (2020, EMNLP)

04. 지식과 페르소나를 인식하는 챗봇

지식과 페르소나 인식하는 챗봇 sota 모델 논문을 이해하고 이를 바탕으로 모델을 직접 구현해봅니다.

[이론]
• 챗봇 이해하기
• 페르소나 지식 그라운딩 챗봇 논문 이해하기

[실습]
• 페르소나 지식 그라운딩 챗봇 sota 모델 구현하기

[논문]
• Persona-Knowledge Dialogue Multi-Context Retrieval and Enhanced Decoding Methods

05. 텍스트로부터 지식 추출

지식추출 sota 모델 논문을 이해하고 이를 바탕으로 모델을 직접 구현해봅니다.

[이론]
• 지식 표현 이해하기
• 지식 그래프 이해하기
• 지식 그래프 추출 sota 모델 논문 이해하기

[실습]
• 지식 그래프 추출 sota 모델 구현하기

[논문]
• GenIE: Generative Information Extraction (2022,NAACL)

상세 커리큘럼 바로 가기 →

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)
* 12개월 무이자 할부 시

바로 구매하기

이 강의도 추천해요.

주의사항 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

총 학습기간:
– 정상 수강기간(유료 수강기간) 최초 1개월(30일), 무료 수강 기간은 31일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
– 본 패키지는 약 30시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일: 수강 시작일은 결제일로부터 기간이 산정되며, 결제를 완료하시면 마이페이지를 통해 바로 수강이 가능합니다. (사전 예약 강의는 1차 강의 오픈일)
– 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.
– 일부 강의는 아직 모든 영상이 공개되지 않았습니다. 각 상세페이지 하단에 공개 일정이 안내되어 있습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강 시 정상 수강기간(30일) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
환불요청일 시 기준
: 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 아이디 공유 금지 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

root layout

실무 프로젝트와 모델구현으로 배우는 자연어처리 심화

이주성 님

Rina 님

David 님

김대규 님

01. 감정인식에 대해 알아보기

02. 대화 속 감정인식 모델링 해보기

03. 대화 속 감정인식 모델 분석하기

01. 멀티턴 응답선택에 대해 알아보기

02. 멀티턴 응답선택 학습 1단계

03. 멀티턴 응답선택 학습 2단계

04. 멀티턴 응답선택 모델 분석하기

01. 텍스트 요약에 대해 알아보기

02. 추출 요약 모델링 해보기

03. 추출 요약 모델 분석하기

01. 질의 응답에 대해 알아보기

02. 질의 응답 모델링 해보기

03. 질의 응답 모델 분석하기

01. 개체명 인식에 대해 알아보기

02. 개체명 인식 모델링 해보기

03. 개체명 인식 모델 분석하기

04. 모델 리뷰

01. 기계 번역

02. 문장 유사도 측정

03. 언어 모델 이용한 문서검색

04. 지식과 페르소나를 인식하는 챗봇

05. 텍스트로부터 지식 추출

이 강의도 추천해요.