Cursusaanbod

Inleiding

  • Het definiëren van "Industrial-Strength Natural Language Processing".

SpaCy installeren

SpaCy-componenten

  • Part-of-speech tagger (woordsoorttagger)
  • Named entity recognizer (herkenning van genoemde entiteiten)
  • Dependency parser (afhankelijkheidsparser)

Overzicht van spaCy-functies en syntaxis

Begrip van spaCy-modelleren

  • Statistisch modelleren en voorspelling.

Het gebruik maken van de SpaCy Command Line Interface (CLI)

  • Basiscmdo's.

Een eenvoudige applicatie ontwikkelen om gedrag te voorspellen

Een nieuw statistisch model trainen

  • Data (voor training).
  • Labels (tags, genoemde entiteiten, etc.).

Het model laden

  • Schuiven en lussen.

Het model opslaan

Feedback geven aan het model

  • Foutgraad (error gradient).

Het model bijwerken

  • Bijwerken van de entiteitenherkenningsfunctie.
  • Tokens extraheren met regelgebaseerde matcher.

Een algemene theorie ontwikkelen voor verwachte uitkomsten

Case Study

  • Productnamen onderscheiden van bedrijfsnamen.

Het trainingdata verfijnen

  • Representatieve data selecteren.
  • De dropout-rate instellen.

Andere trainingsstijlen

  • Rauwe teksten doorgeven.
  • Dictionaries van annotaties doorgeven.

SpaCy gebruiken voor pre-processing van tekst voor diep leerproces (Deep Learning)

SpaCy integreren met erfapplicaties

Het spaCy-model testen en debuggen

  • De belangrijkheid van iteratie.

Het model implementeren in productie

Het model monitoren en aanpassen

Foutopsporing (troubleshooting)

Samenvatting en conclusie

Vereisten

  • Erfenis in Python-programmering.
  • Een basisbegrip van statistiek.
  • Erfenis met het command line interface (CLI).

Doelgroep

  • Ontwikkelaars
  • Data wetenschappers
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Getuigenissen (3)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën