Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Szczegółowy plan szkolenia
- Wprowadzenie do NLP
- Zrozumienie NLP
- Frameworki NLP
- Komercyjne zastosowania NLP
- Pobieranie danych z internetu
- Praca z różnymi API do pobierania danych tekstowych
- Praca i przechowywanie korpusów tekstowych oraz odpowiednich metadanych
- Zalety korzystania z Pythona i krótki kurs NLTK
- Praktyczne zrozumienie korpusu i zbioru danych
- Dlaczego potrzebujemy korpusu?
- Analiza korpusu
- Typy atrybutów danych
- Różne formaty plików dla korpusów
- Przygotowywanie zbioru danych do aplikacji NLP
- Zrozumienie struktury zdania
- Składniki NLP
- Zrozumienie języka naturalnego
- Analiza morfologiczna - rdzeń, słowo, token, tagi mowy
- Analiza składniowa
- Analiza semantyczna
- Radzenie sobie z niejednoznacznością
- Przetwarzanie wstępne danych tekstowych
- Korpus - surowy tekst
- Tokenizacja zdań
- Stemming dla surowego tekstu
- Lematyzacja surowego tekstu
- Usuwanie słów stop
- Korpus - surowe zdania
- Tokenizacja słów
- Lematyzacja słów
- Praca z macierzami Term-Document/Document-Term
- Tokenizacja tekstu na n-gramy i zdania
- Praktyczne i dostosowane przetwarzanie wstępne
- Korpus - surowy tekst
- Analiza danych tekstowych
- Podstawowe cechy NLP
- Parsery i parsowanie
- Tagowanie części mowy
- Rozpoznawanie nazwanych jednostek
- N-gramy
- Worek słów
- Statystyczne cechy NLP
- Pojęcia algebry liniowej dla NLP
- Teoria prawdopodobieństwa dla NLP
- TF-IDF
- Wektoryzacja
- Enkodery i dekodery
- Normalizacja
- Modele probabilistyczne
- Zaawansowane inżynieria cech i NLP
- Podstawy word2vec
- Składniki modelu word2vec
- Logika modelu word2vec
- Rozszerzenie koncepcji word2vec
- Zastosowanie modelu word2vec
- Studium przypadku: Zastosowanie worka słów: automatyczne podsumowanie tekstu przy użyciu uproszczonego i prawdziwego algorytmu Luhna
- Podstawowe cechy NLP
- Grupowanie, klasyfikacja i modelowanie tematyczne dokumentów
- Grupowanie dokumentów i wydobywanie wzorców (hierarchiczne grupowanie, k-średnie itp.)
- Porównywanie i klasyfikowanie dokumentów przy użyciu miar TFIDF, Jaccarda i cosinusa
- Klasyfikacja dokumentów przy użyciu naiwnego bayesa i maksymalnej entropii
- Identyfikowanie ważnych elementów tekstu
- Redukcja wymiarowości: Analiza Głównych Składowych, Dekompozycja wartości osobliwych, nieujemna faktoryzacja macierzy
- Modelowanie tematyczne i wyszukiwanie informacji przy użyciu analizy semantycznej
- Ekstrakcja jednostek, analiza sentymentu i zaawansowane modelowanie tematyczne
- Pozytywne vs. negatywne: stopień sentymentu
- Teoria odpowiedzi na pytania
- Tagowanie części mowy i jego zastosowanie: znajdowanie osób, miejsc i organizacji w tekście
- Zaawansowane modelowanie tematyczne: Latent Dirichlet Allocation
- Studia przypadków
- Wydobywanie nieustrukturyzowanych opinii użytkowników
- Klasyfikacja sentymentu i wizualizacja danych z recenzji produktów
- Wydobywanie wzorców użycia z dzienników wyszukiwania
- Klasyfikacja tekstu
- Modelowanie tematyczne
Wymagania
Wiedza i świadomość zasad NLP oraz zrozumienie zastosowań sztucznej inteligencji w biznesie.
21 godzin
Opinie uczestników (1)
Indywidualna pomoc
Simon the 2nd - Cboost
Szkolenie - ROS: Programming for Robotics
Przetłumaczone przez sztuczną inteligencję