Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Detailed training outline
- Inleiding tot NLP
- NLP begrijpen
- NLP frameworks
- Commerciële toepassingen van NLP
- Data scrapen van het web
- Werken met verschillende API's om tekstdata op te halen
- Werken en opslaan van tekstcorpora, inhoud en relevante metadata bewaren
- Voordeel van Python en NLTK crash course gebruiken
- Praktische begrip van een corpus en dataset
- Waarom hebben we een corpus nodig?
- Corpusanalyse
- Soorten dataattributen
- Verschillende bestandsindelingen voor corpora
- Een dataset voorbereiden voor NLP-toepassingen
- Begrijpen van de structuur van zinnen
- Onderdelen van NLP
- Natuurlijke taalbegrip
- Morfologische analyse - stam, woord, token, spraaktags
- Syntactische analyse
- Semantische analyse
- Vagheid hanteren
- Preprocessing van tekstdata
- Corpus- rauwe tekst
- Zinsontbinding
- Stemming voor rauwe tekst
- Lemmatisering van rauwe tekst
- Stopwoorden verwijderen
- Corpus-rauwe zinnen
- Woordontbinding
- Woordlemmatisering
- Werken met Term-Dokument/Document-Term matrices
- Tekstontbinding in n-grams en zinnen
- Praktische en aangepaste preprocessing
- Corpus- rauwe tekst
- Tekstdata analyseren
- Basisfunctie van NLP
- Parsers en parsing
- POS tagging en taggers
- Name entity recognition
- N-grams
- Zak van woorden
- Statistische functies van NLP
- Begrippen van lineaire algebra voor NLP
- Kansrekening voor NLP
- TF-IDF
- Vectorisatie
- Encoders en decoders
- Normalisering
- Kansmodellen
- Gevorderde feature engineering en NLP
- Basis van word2vec
- Onderdelen van het word2vec model
- Logica van het word2vec model
- Uitbreiding van het word2vec concept
- Toepassing van het word2vec model
- Casestudy: Toepassing van zak van woorden: automatische tekstsamenvatting met vereenvoudigde en echte Luhn-algoritmen
- Basisfunctie van NLP
- Documentclustering, classificatie en themamodellering
- Documentclustering en patroonzoeken (hiërarchische clustering, k-means, etc.)
- Documents vergelijken en classificeren met behulp van TFIDF, Jaccard- en cosine afstandsmaatstaven
- Documentclassificatie met Naïve Bayes en Maximum Entropy
- Belangrijke tekstelementen identificeren
- Dimesionaliteit verminderen: hoofdcomponentanalyse, singuliere waardenontbinding, niet-negatieve matrixfactorisering
- Thema's modelleren en informatie ophalen met Latent Semantic Analysis
- Entiteitsextractie, sentimentanalyse en geavanceerde themamodellering
- Positief vs. negatief: mate van sentiment
- Item Response Theory
- Part of speech tagging en zijn toepassing: mensen, plaatsen en organisaties vinden die in tekst worden genoemd
- Gevorderde themamodellering: Latent Dirichlet Allocation
- Casestudies
- Ongestructureerde gebruikersrecensies winnen
- Gevoelsclassificatie en visualisatie van Product Review Data
- Zoeklogs analyseren voor gebruikspatronen
- Tekstclassificatie
- Themamodellering
Vereisten
Kennis en bewustzijn van NLP-principes en een waardering voor de toepassing van AI in het bedrijfsleven
21 Uren
Getuigenissen (1)
Individueel ondersteuning
Simon the 2nd - Cboost
Cursus - ROS: Programming for Robotics
Automatisch vertaald