Huggingface大学
Hugging Face官方出品，这门课程将教你使用 Hugging Face 生态系统中的库进行自然语言处理（NLP）——Transformers、Datasets、Tokenizers 和 Accelerate，以及 Hugging Face Hub。课程完全免费且无广告。
体验Huggingface大学这门课程将教你使用 Hugging Face 生态系统中的库进行自然语言处理（NLP）——Transformers、Datasets、Tokenizers 和 Accelerate，以及 Hugging Face Hub。课程完全免费且无广告。
期待什么？
以下是课程的简要概述：
课程章节的简要概述： 第 1 到 4 章介绍 Transformers 库的主要概念。在这部分课程结束时，你将熟悉 Transformer 模型的工作原理，并知道如何使用 Hugging Face Hub 上的模型，如何在数据集上进行微调，并分享你的结果到 Hub！ 第 5 到 8 章教授 Datasets 和 Tokenizers 的基础知识，然后深入经典的 NLP 任务。在这部分结束时，你将能够独立处理最常见的 NLP 问题。 第 9 到 12 章超越 NLP，探索 Transformer 模型如何用于语音处理和计算机视觉任务。在此过程中，你将学习如何构建和分享模型的演示，并为生产环境优化它们。在这部分结束时，你将准备好将 Transformers 应用于（几乎）任何机器学习问题！
本课程：
-
需要良好的 Python 知识
-
最好在参加本课程之前学习过入门深度学习课程，例如 fast.ai 的《程序员的实用深度学习》或 DeepLearning.AI 开发的课程之一
-
不要求具备 PyTorch 或 TensorFlow 的先前知识，尽管对这两者的某些熟悉程度会有所帮助
完成本课程后，我们建议你查看 DeepLearning.AI 的自然语言处理专业化课程，该课程涵盖了许多传统的 NLP 模型，如朴素贝叶斯和 LSTM，值得一学！
我们是谁？
关于作者：
Abubakar Abid 在斯坦福大学获得应用机器学习博士学位。在攻读博士学位期间，他创立了 Gradio，这是一种开源 Python 库，已被用于构建超过 600,000 个机器学习演示。Gradio 被 Hugging Face 收购，Abubakar 现在担任机器学习团队负责人。
Matthew Carrigan 是 Hugging Face 的机器学习工程师。他住在爱尔兰都柏林，之前曾在 Parse.ly 担任 ML 工程师，之前在都柏林三一学院担任博士后研究员。他不相信通过扩展现有架构可以实现 AGI，但对机器人不朽抱有很高的希望。
Lysandre Debut 是 Hugging Face 的机器学习工程师，自早期开发阶段以来一直在致力于 Transformers 库。他的目标是通过开发具有非常简单 API 的工具，使 NLP 对每个人都可访问。
Sylvain Gugger 是 Hugging Face 的研究工程师，也是 Transformers 库的核心维护者之一。此前，他是 fast.ai 的研究科学家，并与 Jeremy Howard 共同撰写了《程序员的深度学习》和《使用 fastai 和 PyTorch 的深度学习》。他的研究主要集中在使深度学习更易于访问上，通过设计和改进允许模型在有限资源上快速训练的技术。
Dawood Khan 是 Hugging Face 的机器学习工程师。他来自纽约，毕业于纽约大学，学习计算机科学。在作为 iOS 工程师工作几年后，Dawood 辞职与他的联合创始人一起创办了 Gradio。Gradio 最终被 Hugging Face 收购。
Merve Noyan 是 Hugging Face 的开发者倡导者，致力于开发工具和围绕这些工具构建内容，以使机器学习对每个人都可访问。
Lucile Saulnier 是 Hugging Face 的机器学习工程师，开发和支持开源工具的使用。她还积极参与许多自然语言处理领域的研究项目，如协作训练和 BigScience。
Lewis Tunstall 是 Hugging Face 的机器学习工程师，专注于开发开源工具并使其对更广泛的社区可访问。他还是 O’Reilly 书籍《使用 Transformers 的自然语言处理》的合著者。
Leandro von Werra 是 Hugging Face 开源团队的机器学习工程师，也是 O’Reilly 书籍《使用 Transformers 的自然语言处理》的合著者。他在将 NLP 项目投入生产方面拥有多年的行业经验，涉及整个机器学习堆栈。
常见问题
以下是一些常见问题的答案：
参加这门课程可以获得证书吗？ 目前我们没有这门课程的任何证书。然而，我们正在为 Hugging Face 生态系统开发认证项目——敬请关注！
我应该在这门课程上花多少时间？ 本课程中的每一章设计为在 1 周内完成，每周大约需要 6-8 小时的工作时间。然而，你可以根据自己的需要花费更多的时间来完成课程。
如果我有问题在哪里可以问？ 如果你对课程的任何部分有问题，只需点击页面顶部的“提问”横幅，将自动重定向到 Hugging Face 论坛的相关部分： 链接到 Hugging Face 论坛 请注意，论坛上还提供了一份项目创意列表，如果你希望在完成课程后进行更多实践。
我在哪里可以获取课程的代码？ 对于每个部分，请点击页面顶部的横幅，在 Google Colab 或 Amazon SageMaker Studio Lab 中运行代码： 链接到 Hugging Face 课程笔记本 包含课程所有代码的 Jupyter 笔记本托管在 huggingface/notebooks 仓库中。如果你希望在本地生成它们，请查看 GitHub 上课程仓库中的说明。
我如何为课程做贡献？ 有许多方式可以为课程做贡献！如果你发现了错别字或错误，请在课程仓库中打开一个问题。如果你想帮助将课程翻译成你的母语，请查看此处的说明。
每种翻译的选择是什么？ 每种翻译都有一个术语表和 TRANSLATING.txt 文件，详细说明了在机器学习术语等方面所做的选择。你可以在这里找到德语的示例。
我可以重用这门课程吗？ 当然可以！该课程在宽松的 Apache 2 许可证下发布。这意味着你必须给予适当的信用，提供许可证的链接，并指明是否进行了更改。你可以以任何合理的方式这样做，但不能以任何方式暗示许可方支持你或你的使用。