course/pr_1027/it/_app/immutable/nodes/3.d45f347f.js

import{s as qe,n as Ee,o as Se}from"../chunks/scheduler.37c15a92.js";import{S as De,i as Be,g as l,s as n,r as F,A as Re,h as r,f as i,c as o,j as Ae,u as A,x as s,k as he,y as je,a,v as q,d as E,t as S,w as D}from"../chunks/index.2bf4358c.js";import{Y as Ge}from"../chunks/Youtube.1e50a667.js";import{C as Ue}from"../chunks/CourseFloatingBanner.9ff4c771.js";import{H as fe,E as Oe}from"../chunks/getInferenceSnippets.80a69898.js";function Qe(ve){let p,j,B,G,c,U,m,O,d,Q,g,V,f,we='Questo corso ti insegnerà a eseguire compiti di Natural Language Processing (NLP, <em>elaborazione del linguaggio naturale</em>) utilizzando le librerie dell’ecosistema di <a href="https://huggingface.co/" rel="nofollow">Hugging Face</a>: <a href="https://github.com/huggingface/transformers" rel="nofollow">🤗 Transformers</a>, <a href="https://github.com/huggingface/datasets" rel="nofollow">🤗 Datasets</a>, <a href="https://github.com/huggingface/tokenizers" rel="nofollow">🤗 Tokenizers</a>, e <a href="https://github.com/huggingface/accelerate" rel="nofollow">🤗 Accelerate</a>. Ti insegneremo anche ad usare il nostro <a href="https://huggingface.co/models" rel="nofollow">Hugging Face Hub</a>, che è completamente gratuito e senza pubblicità.',W,h,Y,v,$e="Eccoti un breve riassunto dei contenuti del corso:",J,u,ze='<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/summary.svg" alt="Brief overview of the chapters of the course."/> <img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter1/summary-dark.svg" alt="Brief overview of the chapters of the course."/>',K,w,Le='<li>I capitoli da 1 a 4 forniscono un’introduzione ai concetti principali della libreria 🤗 Transformers. Alla fine di questa parte del corso, conoscerai come funzionano i modelli Transformers e saprai come utilizzare un modello dell’<a href="https://huggingface.co/models" rel="nofollow">Hugging Face Hub</a>, affinarlo in un dataset, e condividere i tuoi risultati nell’Hub!</li> <li>I capitoli da 5 a 8 insegnano le basi degli 🤗 Dataset e degli 🤗 Tokenizer, per poi esplorare alcuni compiti classici di NLP. Alla fine di questa parte, saprai far fronte ai problemi di NLP più comuni in maniera autonoma.</li> <li>I capitoli da 9 a 12 vanno oltre il Natural Language Processing, ed esplorano come i modelli Transformer possano essere utilizzati per affrontare compiti di elaborazione vocale o visione artificiale. Strada facendo, imparerai a costruire e condividere demo (<em>dimostrazioni</em>) dei tuoi modelli, e ad ottimizzarli per la produzione. Alla fine di questa parte, sarai pronto ad utilizzare gli 🤗 Transformer per qualsiasi problema di machine learning (<em>apprendimento automatico</em>), o quasi!</li>',X,$,be="Questo corso:",Z,z,Te='<li>Richiede una buona conoscenza di Python</li> <li>Andrebbe seguito di preferenza a seguito di un corso introduttivo di deep learning (<em>apprendimento profondo</em>), come ad esempio il <a href="https://course.fast.ai/" rel="nofollow">Practical Deep Learning for Coders</a> di <a href="https://www.fast.ai/" rel="nofollow">fast.ai</a>, oppure uno dei programmi sviluppati da <a href="https://www.deeplearning.ai/" rel="nofollow">DeepLearning.AI</a></li> <li>Non richiede conoscenze pregresse di <a href="https://pytorch.org/" rel="nofollow">PyTorch</a> o <a href="https://www.tensorflow.org/" rel="nofollow">TensorFlow</a>, nonostante sia gradita una conoscenza anche superficiale dell’uno o dell’altro</li>',ee,L,He='Quando avrai completato questo corso, ti raccomandiamo di passare al <a href="https://www.coursera.org/specializations/natural-language-processing?utm_source=deeplearning-ai&amp;utm_medium=institutions&amp;utm_campaign=20211011-nlp-2-hugging_face-page-nlp-refresh" rel="nofollow">Natural Language Processing Specialization</a> di DeepLearning.AI, un corso che copre un ampio spettro di modelli tradizionali di NLP che vale davvero la pena di conoscere, come Naive Bayes e LSTM (<em>Memoria a breve termine a lungo termine</em>)!',te,b,ie,T,Ce="A proposito degli autori:",ae,H,_e="<strong>Matthew Carrigan</strong> è Machine Learning Engineer da Hugging Face. Vive a Dublino, in Irlanda, ed in passato è stato ML engineer da Parse.ly, e prima ancora ricercatore postdottorale al Trinity College di Dublin. Nonostante non creda che otterremo l’Intelligenza artificiale forte semplicemente ingrandendo le architetture a nostra disposizione, spera comunque nell’immortalità cibernetica.",ne,C,Pe="<strong>Lysandre Debut</strong> è Machine Learning Engineer da Hugging Face e ha lavorato agli 🤗 Transformer fin dalle primissime tappe del loro sviluppo. Il suo obiettivo è di rendere il NLP accessibile a tutti sviluppando strumenti con un semplice API.",oe,_,Me='<strong>Sylvain Gugger</strong> è Research Engineer da Hugging Face e uno dei principali manutentori della libreria 🤗 Transformers. In passato, è stato Research Scientist da fast.ai, e ha scritto <a href="https://learning.oreilly.com/library/view/deep-learning-for/9781492045519/" rel="nofollow">Deep Learning for Coders with fastai and PyTorch</a> con Jeremy Howard. Il centro principale della sua ricerca consiste nel rendere il deep learning (<em>apprendimento profondo</em>) più accessibile, concependo e migliorando tecniche che permettano di allenare modelli velocemente con risorse limitate.',le,P,xe="<strong>Merve Noyan</strong> è developer advocate da Hugging Face, e lavora allo sviluppo di strumenti e alla creazione di contenuti ad essi legati per democratizzare l’accesso al deep learning.",re,M,ye="<strong>Lucile Saulnier</strong> è machine learning engineer da Hugging Face, e sviluppa e supporta l’utilizzo di strumenti open source. È anche attivamente coinvolta in numerosi progetti di ricerca nell’ambito del NLP, come ad esempio collaborative training e BigScience.",se,x,ke='<strong>Lewis Tunstall</strong> è machine learning engineer da Hugging Face che si specializza nello sviluppo di strumenti open-source e la loro distribuzione alla comunità più ampia. È anche co-autore dell’imminente <a href="https://www.oreilly.com/library/view/natural-language-processing/9781098136789/" rel="nofollow">O’Reilly book on Transformers</a>.',pe,y,Ne='<strong>Leandro von Werra</strong> è machine learning engineer nel team open-source di Hugging Face, nonché co-autore dell’imminente <a href="https://www.oreilly.com/library/view/natural-language-processing/9781098136789/" rel="nofollow">O’Reilly book on Transformers</a>. Ha tanti anni di esperienza nel portare progetti di NLP in produzione, lavorando a tutti i livelli di esecuzione di compiti di machine learning.',ue,k,Ie="Sei pronto/a a iniziare? In questo capitolo, imparerai:",ce,N,Fe="<li>Ad utilizzare la funzione <code>pipeline()</code> per eseguire compiti di NLP come la generazione e classificazione di testi</li> <li>L’architettura dei Transformer</li> <li>Come fare la distinzione tra architetture encoder, decoder, encoder-decoder, e casi d’uso</li>",me,I,de,R,ge;return c=new fe({props:{title:"Introduzione",local:"introduzione",headingTag:"h1"}}),m=new Ue({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),d=new fe({props:{title:"Benvenuto/a al corso di 🤗!",local:"benvenutoa-al-corso-di-",headingTag:"h2"}}),g=new Ge({props:{id:"00GKzGyWFEs"}}),h=new fe({props:{title:"Contenuti",local:"contenuti",headingTag:"h2"}}),b=new fe({props:{title:"Chi siamo?",local:"chi-siamo",headingTag:"h2"}}),I=new Oe({props:{source:"https://github.com/huggingface/course/blob/main/chapters/it/chapter1/1.mdx"}}),{c(){p=l("meta"),j=n(),B=l("p"),G=n(),F(c.$$.fragment),U=n(),F(m.$$.fragment),O=n(),F(d.$$.fragment),Q=n(),F(g.$$.fragment),V=n(),f=l("p"),f.innerHTML=we,W=n(),F(h.$$.fragment),Y=n(),v=l("p"),v.textContent=$e,J=n(),u=l("div"),u.innerHTML=ze,K=n(),w=l("ul"),w.innerHTML=Le,X=n(),$=l("p"),$.textContent=be,Z=n(),z=l("ul"),z.innerHTML=Te,ee=n(),L=l("p"),L.innerHTML=He,te=n(),F(b.$$.fragment),ie=n(),T=l("p"),T.textContent=Ce,ae=n(),H=l("p"),H.innerHTML=_e,ne=n(),C=l("p"),C.innerHTML=Pe,oe=n(),_=l("p"),_.innerHTML=Me,le=n(),P=l("p"),P.innerHTML=xe,re=n(),M=l("p"),M.innerHTML=ye,se=n(),x=l("p"),x.innerHTML=ke,pe=n(),y=l("p"),y.innerHTML=Ne,ue=n(),k=l("p"),k.textContent=Ie,ce=n(),N=l("ul"),N.innerHTML=Fe,me=n(),F(I.$$.fragment),de=n(),R=l("p"),this.h()},l(e){const t=Re("svelte-u9bgzb",document.head);p=r(t,"META",{name:!0,content:!0}),t.forEach(i),j=o(e),B=r(e,"P",{}),Ae(B).forEach(i),G=o(e),A(c.$$.fragment,e),U=o(e),A(m.$$.fragment,e),O=o(e),A(d.$$.fragment,e),Q=o(e),A(g.$$.fragment,e),V=o(e),f=r(e,"P",{"data-svelte-h":!0}),s(f)!=="svelte-ncm0lt"&&(f.innerHTML=we),W=o(e),A(h.$$.fragment,e),Y=o(e),v=r(e,"P",{"data-svelte-h":!0}),s(v)!=="svelte-1wnxgk8"&&(v.textContent=$e),J=o(e),u=r(e,"DIV",{class:!0,"data-svelte-h":!0}),s(u)!=="svelte-1f838r7"&&(u.innerHTML=ze),K=o(e),w=r(e,"UL",{"data-svelte-h":!0}),s(w)!=="svelte-64609z"&&(w.innerHTML=Le),X=o(e),$=r(e,"P",{"data-svelte-h":!0}),s($)!=="svelte-1k1ki5"&&($.textContent=be),Z=o(e),z=r(e,"UL",{"data-svelte-h":!0}),s(z)!=="svelte-1qronpe"&&(z.innerHTML=Te),ee=o(e),L=r(e,"P",{"data-svelte-h":!0}),s(L)!=="svelte-6xp9y5"&&(L.innerHTML=He),te=o(e),A(b.$$.fragment,e),ie=o(e),T=r(e,"P",{"data-svelte-h":!0}),s(T)!=="svelte-3i0pj"&&(T.textContent=Ce),ae=o(e),H=r(e,"P",{"data-svelte-h":!0}),s(H)!=="svelte-8a6ik7"&&(H.innerHTML=_e),ne=o(e),C=r(e,"P",{"data-svelte-h":!0}),s(C)!=="svelte-4ag724"&&(C.innerHTML=Pe),oe=o(e),_=r(e,"P",{"data-svelte-h":!0}),s(_)!=="svelte-18w8y84"&&(_.innerHTML=Me),le=o(e),P=r(e,"P",{"data-svelte-h":!0}),s(P)!=="svelte-12wf1ox"&&(P.innerHTML=xe),re=o(e),M=r(e,"P",{"data-svelte-h":!0}),s(M)!=="svelte-1sa59ki"&&(M.innerHTML=ye),se=o(e),x=r(e,"P",{"data-svelte-h":!0}),s(x)!=="svelte-1kjlnoo"&&(x.innerHTML=ke),pe=o(e),y=r(e,"P",{"data-svelte-h":!0}),s(y)!=="svelte-10760nk"&&(y.innerHTML=Ne),ue=o(e),k=r(e,"P",{"data-svelte-h":!0}),s(k)!=="svelte-pqmv8z"&&(k.textContent=Ie),ce=o(e),N=r(e,"UL",{"data-svelte-h":!0}),s(N)!=="svelte-1f9vgki"&&(N.innerHTML=Fe),me=o(e),A(I.$$.fragment,e),de=o(e),R=r(e,"P",{}),Ae(R).forEach(i),this.h()},h(){he(p,"name","hf:doc:metadata"),he(p,"content",Ve),he(u,"class","flex justify-center")},m(e,t){je(document.head,p),a(e,j,t),a(e,B,t),a(e,G,t),q(c,e,t),a(e,U,t),q(m,e,t),a(e,O,t),q(d,e,t),a(e,Q,t),q(g,e,t),a(e,V,t),a(e,f,t),a(e,W,t),q(h,e,t),a(e,Y,t),a(e,v,t),a(e,J,t),a(e,u,t),a(e,K,t),a(e,w,t),a(e,X,t),a(e,$,t),a(e,Z,t),a(e,z,t),a(e,ee,t),a(e,L,t),a(e,te,t),q(b,e,t),a(e,ie,t),a(e,T,t),a(e,ae,t),a(e,H,t),a(e,ne,t),a(e,C,t),a(e,oe,t),a(e,_,t),a(e,le,t),a(e,P,t),a(e,re,t),a(e,M,t),a(e,se,t),a(e,x,t),a(e,pe,t),a(e,y,t),a(e,ue,t),a(e,k,t),a(e,ce,t),a(e,N,t),a(e,me,t),q(I,e,t),a(e,de,t),a(e,R,t),ge=!0},p:Ee,i(e){ge||(E(c.$$.fragment,e),E(m.$$.fragment,e),E(d.$$.fragment,e),E(g.$$.fragment,e),E(h.$$.fragment,e),E(b.$$.fragment,e),E(I.$$.fragment,e),ge=!0)},o(e){S(c.$$.fragment,e),S(m.$$.fragment,e),S(d.$$.fragment,e),S(g.$$.fragment,e),S(h.$$.fragment,e),S(b.$$.fragment,e),S(I.$$.fragment,e),ge=!1},d(e){e&&(i(j),i(B),i(G),i(U),i(O),i(Q),i(V),i(f),i(W),i(Y),i(v),i(J),i(u),i(K),i(w),i(X),i($),i(Z),i(z),i(ee),i(L),i(te),i(ie),i(T),i(ae),i(H),i(ne),i(C),i(oe),i(_),i(le),i(P),i(re),i(M),i(se),i(x),i(pe),i(y),i(ue),i(k),i(ce),i(N),i(me),i(de),i(R)),i(p),D(c,e),D(m,e),D(d,e),D(g,e),D(h,e),D(b,e),D(I,e)}}}const Ve='{"title":"Introduzione","local":"introduzione","sections":[{"title":"Benvenuto/a al corso di 🤗!","local":"benvenutoa-al-corso-di-","sections":[],"depth":2},{"title":"Contenuti","local":"contenuti","sections":[],"depth":2},{"title":"Chi siamo?","local":"chi-siamo","sections":[],"depth":2}],"depth":1}';function We(ve){return Se(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class et extends De{constructor(p){super(),Be(this,p,We,Qe,qe,{})}}export{et as component};