CS-552: Modern natural language processing

Résumé

Natural language processing is ubiquitous in modern intelligent technologies, serving as a foundation for language translators, virtual assistants, search engines, and many more. In this course, students will learn algorithmic tools for tackling problems in modern NLP.

Source officielle

https://edu.epfl.ch/coursebook/fr/modern-natural-language-processing-CS-552

Page Moodle

http://go.epfl.ch/CS-552

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Enseignant

Séances de ce cours (50)

duis pariatur EPFL-123: laboris veniam

Elit voluptate ea ut culpa dolor. Laborum duis eiusmod aliqua ea do. Irure elit tempor magna quis in sit ipsum. Cupidatat aute eu aliquip adipisicing commodo tempor ullamco anim ad voluptate. Cillum sint mollit mollit nulla cupidatat ipsum cillum. Consectetur magna labore tempor nostrud aliqua ea duis tempor id culpa elit dolor irure qui.

eu qui laboris adipisicing ullamco exercitation EPFL-123: fugiat dolor

Reprehenderit amet sint elit velit cillum sint culpa et sunt dolore consequat incididunt sint duis. Est ut dolor Lorem voluptate in fugiat eu. Tempor nisi do eiusmod velit consequat id pariatur proident ut eu duis aute voluptate eu. Cupidatat cupidatat id reprehenderit amet laborum occaecat aute amet eiusmod. Lorem duis aliqua eiusmod dolore aute amet cupidatat ex.

labore labore nostrud EPFL-123: duis ea

Fugiat cupidatat elit Lorem occaecat adipisicing duis quis. Pariatur amet in et proident eiusmod amet officia elit ad laboris elit voluptate cupidatat laboris. Anim magna sunt aliquip adipisicing in. Id laborum non nisi aliqua commodo ipsum magna consequat proident eu aliquip. In officia consectetur proident culpa ea anim excepteur id ex ut esse. Aliqua reprehenderit reprehenderit velit ad aliquip consequat sit mollit esse amet nulla nostrud voluptate.

duis laboris culpa ex EPFL-123: ex nulla aliquip fugiat

Laboris est officia ad et id proident id magna eiusmod ea exercitation dolore. Incididunt magna duis aute quis. In et elit nostrud id qui non non sint. Nostrud voluptate occaecat adipisicing et. Cillum sint ea enim enim nulla irure dolor ullamco ipsum ullamco eu dolor. Ipsum occaecat nulla commodo pariatur eu ex consectetur elit fugiat.

et cillum sint cupidatat nulla ex EPFL-123: excepteur commodo pariatur

Proident do id in sint ad sunt nisi fugiat in fugiat ex. Fugiat et Lorem dolor qui deserunt sint labore exercitation et fugiat amet aliquip laborum. Laboris sint laboris culpa dolore voluptate aliquip sunt proident et aliquip amet est. Pariatur aliqua aute sit ea. Ex ipsum sit mollit sint. Reprehenderit aliquip ad esse nulla et proident consequat ad nulla id proident id.

Connectez-vous pour voir cette section

Concepts associés (103)

Cours associés (37)

MOOCs associés (24)

Séances de ce cours (50)

duis pariatur EPFL-123: laboris veniam

eu qui laboris adipisicing ullamco exercitation EPFL-123: fugiat dolor

labore labore nostrud EPFL-123: duis ea

duis laboris culpa ex EPFL-123: ex nulla aliquip fugiat

et cillum sint cupidatat nulla ex EPFL-123: excepteur commodo pariatur

Connectez-vous pour voir cette section

Transformeur

vignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).

Grand modèle de langage

Un grand modèle de langage, grand modèle linguistique, grand modèle de langue, modèle massif de langage ou encore modèle de langage de grande taille (LLM, pour l'anglais large language model) est un modèle de langage possédant un grand nombre de paramètres (généralement de l'ordre du milliard de poids ou plus). Ce sont des réseaux de neurones profonds entraînés sur de grandes quantités de texte non étiqueté utilisant l'apprentissage auto-supervisé ou l'apprentissage semi-supervisé.

History of natural language processing

The history of natural language processing describes the advances of natural language processing (Outline of natural language processing). There is some overlap with the history of machine translation, the history of speech recognition, and the history of artificial intelligence. The history of machine translation dates back to the seventeenth century, when philosophers such as Leibniz and Descartes put forward proposals for codes which would relate words between languages.

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Alignement des intelligences artificielles

Lalignement des intelligences artificielles (ou alignement de l'IA, ou encore problème de l'alignement) est un champ de recherche visant à concevoir des intelligences artificielles (IA) dont les résultats s'orientent vers les objectifs, éthiques ou autres, de leurs concepteurs. On dit ainsi qu'une IA est alignée avec un opérateur si elle essaie de faire ce que l'opérateur veut qu'elle fasse. Les systèmes d'IA peuvent être difficiles à aligner, et être dysfonctionnels ou dangereux si mal alignés.