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
Uitgebreide opleidingsstructuur
- Inleiding tot NLP
- NLP begrijpen
- NLP-frameworks
- Commerciële toepassingen van NLP
- Gegevens scraperen van het web
- Werken met verschillende API's om tekstgegevens op te halen
- Werken en opslaan van tekstcorpora met relevante metadata
- Voordeeltjes van Python en een korte inleiding in NLTK
- Praktisch inzicht in corpora en datasets
- Waarom hebben we een corpus nodig?
- Corpusanalyse
- Soorten data-attributen
- Bestandsformaten voor corpora
- Een dataset voorbereiden voor NLP-toepassingen
- De structuur van zinnen begrijpen
- Componenten van NLP
- Verwerking van natuurlijke taal
- Morfologische analyse - stam, woord, token, woordsoorttags
- Syntactische analyse
- Semantische analyse
- Omgang met ambiguïteit
- Voorbehandeling van tekstgegevens
- Corpus - ruwe tekst
- Zintokenisatie
- Stemming van ruwe tekst
- Lemmatisering van ruwe tekst
- Verwijdering van stopwoorden
- Corpus - ruwe zinnen
- Woordtokenisatie
- Woordlemmatisering
- Werken met woord-document- en document-woordmatrices
- Tokenisatie van tekst naar n-grams en zinnen
- Praktische en aangepaste voorbehandeling
- Corpus - ruwe tekst
- Analyse van tekstgegevens
- Basisfuncties van NLP
- Parsers en parsen
- POS-taggen en taggers
- Herkenning van benoemde entiteiten
- N-grams
- Bag of words
- Statistische aspecten van NLP
- Begrippen uit de lineaire algebra voor NLP
- Waarschijnlijkheidstheorie voor NLP
- TF-IDF
- Vectorisatie
- Encoders en decoders
- Normalisatie
- Waarschijnlijkheidsmodellen
- Gevorderde feature engineering en NLP
- Basics van word2vec
- Componenten van het word2vec-model
- Logica van het word2vec-model
- Uitbreiding van het word2vec-concept
- Toepassing van het word2vec-model
- Gevalstudie: Toepassing van bag of words: automatische tekstsamenvatting met behulp van vereenvoudigde en echte Luhn-algoritmes
- Basisfuncties van NLP
- Documentclustering, classificatie en topic modeling
- Documentclustering en patronen ontdekken (hiërarchische clustering, k-means, clustering, etc.)
- Documenten vergelijken en classificeren met behulp van TFIDF, Jaccard- en cosinusafstandsmaatstaven
- Documentclassificatie met behulp van Naïve Bayes en Maximum Entropy
- Belangrijke tekstelementen identificeren
- Dimensievermindering: Principal Component Analysis, Singular Value Decomposition en non-negative matrix factorization
- Topic modeling en information retrieval met behulp van Latent Semantic Analysis
- Entiteitsextractie, sentimentanalyse en geavanceerde topic modeling
- Positief vs. negatief: graad van sentiment
- Item Response Theory
- Woordsoorttaggen en toepassing: het vinden van personen, plaatsen en organisaties die in tekst worden genoemd
- Gevorderde topic modeling: Latent Dirichlet Allocation
- Gevalstudies
- Ontdekking van patronen in ongestructureerde gebruikersreviews
- Sentimentclassificatie en visualisatie van productreviewdata
- Ontdekking van gebruikspatronen in zoeklogs
- Tekstclassificatie
- Topic modeling
Vereisten
Weten van en kennis van NLP-principes en een waardering voor het toepassen van AI in de business.
21 Uren
Getuigenissen (1)
Individueel ondersteuning
Simon the 2nd - Cboost
Cursus - ROS: Programming for Robotics
Automatisch vertaald
