Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Durata 21 ore
Schița de curs
Structură detaliată a trainingului
- Introducere în NLP
- Înțelegerea NLP
- Framework-uri NLP
- Aplicații comerciale ale NLP
- Extragerea datelor de pe web
- Lucrul cu diverse API-uri pentru a prelua date text
- Lucrul și stocarea corpusurilor de text, salvarea conținutului și a metadatelor relevante
- Avantajele folosirii Python și un crash course de NLTK
- Înțelegerea practică a unui corpus și a unui set de date
- De ce avem nevoie de un corpus?
- Analiza corpusului
- Tipuri de atribute ale datelor
- Diferite formate de fișiere pentru corpusuri
- Pregătirea unui set de date pentru aplicații NLP
- Înțelegerea structurii unei propoziții
- Componentele NLP
- Înțelegerea limbajului natural
- Analiza morfologică - tulpină, cuvânt, token, etichete de vorbire
- Analiza sintactică
- Analiza semantică
- Gestionarea ambiguității
- Preprocesarea datelor text
- Corpus - text brut
- Tokenizarea propozițiilor
- Stemming pentru text brut
- Lematizarea textului brut
- Eliminarea cuvintelor de umplutură (stop words)
- Corpus - propoziții brute
- Tokenizarea cuvintelor
- Lematizarea cuvintelor
- Lucrul cu matrici Termen-Document/Document-Termen
- Tokenizarea textului în n-grame și propoziții
- Preprocesare practică și personalizată
- Corpus - text brut
- Analiza datelor text
- Caracteristici de bază ale NLP
- Parsere și parsare
- Etichetarea părților de vorbire (POS tagging) și etichetatoare
- Recunoașterea entităților numite
- N-grame
- Bag of words
- Caracteristici statistice ale NLP
- Concepte de algebră liniară pentru NLP
- Teoria probabilităților pentru NLP
- TF-IDF
- Vectorizare
- Encodere și decodere
- Normalizare
- Modele probabilistice
- Feature engineering avansat și NLP
- Bazele word2vec
- Componentele modelului word2vec
- Logica modelului word2vec
- Extinderea conceptului word2vec
- Aplicarea modelului word2vec
- Studiu de caz: Aplicarea bag of words: rezumarea automată a textului folosind algoritmii simplificați și reali ai lui Luhn
- Caracteristici de bază ale NLP
- Clustering, clasificare și modelare de subiecte pentru documente
- Clustering de documente și pattern mining (clustering ierarhic, k-means, clustering etc.)
- Compararea și clasificarea documentelor folosind măsurile de distanță TFIDF, Jaccard și cosinus
- Clasificarea documentelor folosind Naïve Bayes și Maximum Entropy
- Identificarea elementelor importante de text
- Reducerea dimensionalității: Analiza Componentelor Principale, Descompunerea Valorilor Singulare, factorizarea matricială non-negativă
- Modelarea subiectelor și extragerea informațiilor folosind Analiza Semantică Latentă
- Extragerea entităților, analiza de sentiment și modelarea avansată a subiectelor
- Pozitiv vs. negativ: gradul de sentiment
- Teoria Răspunsului la Item
- Etichetarea părților de vorbire și aplicarea sa: găsirea persoanelor, locurilor și organizațiilor menționate în text
- Modelarea avansată a subiectelor: Latent Dirichlet Allocation
- Studii de caz
- Explorarea recenziilor nestructurate ale utilizatorilor
- Clasificarea sentimentelor și vizualizarea datelor recenziilor de produse
- Explorarea logurilor de căutare pentru modele de utilizare
- Clasificarea textului
- Modelarea subiectelor
Cerințe
Cunoștințe despre principiile NLP și înțelegerea aplicării AI în business
Mărturii (1)
Asistență individuală
Simon the 2nd - Cboost
Curs - ROS: Programming for Robotics
Tradus de catre o masina
