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
Gedetailleerd trainingsoverzicht
- Inleiding tot NLP
- NLP begrijpen
- NLP-framewerken
- Commerciële toepassingen van NLP
- Gegevens scrappen van het web
- Werking met verschillende APIs om tekstgegevens op te halen
- Werking met en opslaan van tekstcorpora, opslaan van inhoud en relevante metadata
- Voordelen van het gebruik van Python en NLTK crash course
- Pratische begrip van een corpus en dataset
- Waarom hebben we een corpus nodig?
- Corpusanalyse
- Soorten datakenmerken
- Verschillende bestandsindelingen voor corpora
- Het voorbereiden van een dataset voor NLP-toepassingen
- Het begrijpen van de structuur van zinnen
- Componenten van NLP
- Natuurlijke taalbegrip
- Morfologische analyse - stam, woord, token, spraaketiketten
- Syntaxanalyse
- Semantische analyse
- Oplossen van ambiguiditeit
- Voorbereiding van tekstgegevens
- Corpus- ruwe tekst
- Zin tokenisatie
- Stemming voor ruwe tekst
- Lemmatisatie van ruwe tekst
- Verwijderen van stopwoorden
- Corpus- ruwe zinnen
- Word tokenisatie
- Word lemmatisatie
- Werking met Term-Document/Document-Term matrices
- Tokenisatie van tekst in n-grammen en zinnen
- Pratische en aangepaste voorbereiding
- Corpus- ruwe tekst
- Analyse van tekstgegevens
- Basiskenmerken van NLP
- Parsers en parsings
- POS-tagging en taggers
- Naam-entiteit herkenning
- N-grammen
- Bag of words
- Statistische kenmerken van NLP
- Begrippen van lineaire algebra voor NLP
- Probabilistische theorie voor NLP
- TF-IDF
- Vectorisatie
- Encoders en decoders
- Normalisatie
- Probabilistische modellen
- Geavanceerde feature engineering en NLP
- Basissen van word2vec
- Componenten van het word2vec-model
- Logica van het word2vec-model
- Uitbreiding van het word2vec-concept
- Toepassing van het word2vec-model
- Casusstudie: Toepassing van bag of words: automatische samenvatting van tekst met behulp van vereenvoudigde en echte Luhn's algoritmen
- Basiskenmerken van NLP
- Document clustering, classificatie en topic modeling
- Documentclustering en patroonmining (hiërarchisch clustering, k-means, clustering, enz.)
- Vergelijken en classificeren van documenten met behulp van TFIDF, Jaccard en cosinusafstandsmetingen
- Documentclassificatie met behulp van Naïve Bayes en Maximum Entropy
- Belangrijke tekst identificeren Elements
- Dimensievermindering: Principal Component Analysis, Singular Value Decomposition non-negative matrix factorization
- Topic modeling en informatieophaal met behulp van Latent Semantic Analysis
- Entity Extraction, Sentiment Analysis en geavanceerd topic modeling
- Positief vs. negatief: graad van sentiment
- Item Response Theory
- Part-of-speech tagging en toepassing: mensen, plaatsen en organisaties vinden die in de tekst worden genoemd
- Geavanceerd topic modeling: Latent Dirichlet Allocation
- Casusstudies
- Ongestructureerde gebruikersrecensies minen
- Sentiment classificatie en visualisatie van productrecensies
- Zoeklogboeken minen voor gebruikspatronen
- Tekstclassificatie
- Topic modeling
Vereisten
Kennis en bewustzijn van NLP-principes en een waardering voor de toepassing van AI in bedrijven
21 Uren
Testimonials (1)
Ik denk dat ik de kernvaardigheden bekom die ik nodig heb om te begrijpen hoe de ROS samenhangt, en hoe ik projecten erin moet structureren.
Dan Goldsmith - Coventry University
Cursus - ROS: Programming for Robotics
Automatisch vertaald
