Plan du cours

Introduction

  • Définir le "traitement du langage naturel à l'échelle industrielle" (Industrial-Strength Natural Language Processing)

Installation de spaCy

Composants de spaCy

  • Étiqueteur de parties du discours
  • Reconnaissance des entités nommées
  • Analyseur de dépendances

Aperçu des fonctionnalités et de la syntaxe de spaCy

Comprendre la modélisation spaCy

  • Modélisation statistique et prédiction

Utilisation de l'interface de ligne de commande (CLI) de SpaCy

  • Commandes de base

Créer une application simple pour prédire le comportement

Entraînement d'un nouveau modèle statistique

  • Données (pour la formation)
  • Étiquettes (tags, entités nommées, etc.)

Chargement du modèle

  • Mélange et boucle

Sauvegarde du modèle

Fournir un retour d'information au modèle

  • Gradient d'erreur

Mise à jour du modèle

  • Mise à jour de l'outil de reconnaissance d'entités
  • Extraction des tokens à l'aide d'une matrice basée sur des règles

Élaboration d'une théorie généralisée des résultats attendus

Étude de cas

  • Distinguer les noms de produits des noms d'entreprises

Affiner les données de formation

  • Sélection de données représentatives
  • Fixer le taux d'abandon

Autres styles de formation

  • Transmission de textes bruts
  • Transmission de dictionnaires d'annotations

Utiliser spaCy pour prétraiter le texte pour Deep Learning

Intégrer spaCy aux applications existantes

Test et débogage du modèle spaCy

  • L'importance de l'itération

Déployer le modèle en production

Surveillance et ajustement du modèle

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Python expérience en programmation.
  • Une compréhension de base des statistiques
  • Expérience de la ligne de commande

Public

  • Développeurs
  • Data scientists
 14 heures

Nombre de participants



Prix par participant

Nos Clients témoignent (4)

Cours Similaires

Catégories Similaires