Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Αναλυτικό περίγραμμα εκπαίδευσης
- Εισαγωγή στο NLP
- Σύνεψη του NLP
- Πλαίσια NLP
- Εμπορικές εφαρμογές του NLP
- Ανάκτηση δεδομένων από το διαδίκτυο
- Εργασία με διάφορες APIs για τη ανάκτηση κειμενικών δεδομένων
- Εργασία και αποθήκευση κειμενικών συλλογών, αποθήκευση περιεχομένου και ενδιάμεσων δεδομένων
- Συνταγματικά της χρήσης Python και NLTK crash course
- Πρακτική Σύνεψη ενός Corpus και Dataset
- Γιατί χρειάζεται μια corpus;
- Ανάλυση corpus
- Τύποι δεδομένων περιγραφών
- Διαφορετικά σχήματα αρχείων για corpora
- Προετοιμασία ενός dataset για εφαρμογές NLP
- Σύνεψη της Συνθήκης μιας Πρότασης
- Υποστοιχεία του NLP
- Φυσική ανάλυση γλώσσας
- Μορφολογική ανάλυση - ρίζα, λέξη, token, ομιλία ετικέτες
- Συντακτική ανάλυση
- Semantic analysis
- Χειροθέτηση πολυσημίας
- Προεπεξεργασία κειμενικών δεδομένων
- Corpus- αρχικό κείμενο
- Τοκενιζατόρα προτάσεων
- Στεμιγμή για αρχικό κείμενο
- Lemmization του αρχικού κειμένου
- Αφαίρεση στάσεων
- Corpus-αρχικές πρότασες
- Word τοκενιζατόρα
- Word lemmatization
- Εργασία με Τερμά-Τεκμήρια/Τεκμήρια-Τερμά πίνακες
- Προτεκτική τοκενιζατόρα σε n-grams και πρότασεις
- Πρακτική και προσαρμοσμένη προεπεξεργασία
- Corpus- αρχικό κείμενο
- Ανάλυση κειμενικών δεδομένων
- Βασικά χαρακτηριστικά του NLP
- Πάρσερς και parsing
- POS tagging και taggers
- Name entity recognition
- N-grams
- Bag of words
- Στατιστικά χαρακτηριστικά του NLP
- Νοήματα γραμμικής άλγεβρας για NLP
- Πιθανοτική θεωρία για NLP
- TF-IDF
- Vectorization
- Encoders και Decoders
- Normalizatoin
- Πιθανοτικά μοντέλα
- Χαρακτηριστικά επεξεργασίας και NLP
- Βασικά του word2vec
- Υποστοιχεία του model word2vec
- Λογική του μοντέλου word2vec
- Επέκταση της ιδέας του word2vec
- Αξιοθετήσεις του model word2vec
- Περίπτωση μελέτης: Εφαρμογή bag of words: αυτόματη κειμενική συνοψιοποίηση χρησιμοποιώντας περιορισμένα και αληθινά τύπου Luhn's algorithms
- Βασικά χαρακτηριστικά του NLP
- Τεκμήρια Συγκλονισμός, Διάταξη και Topic Modeling
- Συγκλονισμός τεκμηρίων και εξόδου μοτίβ (ιεραρχική συγκέντρωση, k-means, clustering, κλπ.)
- Σύγκριση και τάξη τεκμηρίων χρησιμοποιώντας TFIDF, Jaccard και μέτρα απόστασης cosine
- Τάξη τεκμηρίων χρησιμοποιώντας Naïve Bayes και Maximum Entropy
- Αναγνώριση Σημαντικών Κειμένων Elements
- Συμπίεση διάστασης: Principal Component Analysis, Singular Value Decomposition non-negative matrix factorization
- Topic modeling και ανάκτηση πληροφοριών χρησιμοποιώντας Latent Semantic Analysis
- Entity Extraction, Sentiment Analysis και Advanced Topic Modeling
- Positive vs. negative: βαθμός συναισθήματος
- Item Response Theory
- Part of speech tagging και τη χρήση του: εύρεση ανθρώπων, τόπων και οργανισμών που αναφέρονται στο κείμενο
- Advanced topic modeling: Latent Dirichlet Allocation
- Περιπτώσεις μελέτης
- Εξόδου ανάκτησης ανυποστροφίμων χρήστη reviews
- Κατηγορία συναισθήματος και πινακογράφηση των δεδομένων αξιολόγησης προϊόντων
- Εξόδου ανάκτησης search logs για χρήση μοτίβ
- Τεκμήρια classification
- Topic modeling
Requirements
Επιγνώση και ευαισθητοποίηση στους αρχές της ΠΡΛ και εκτίμηση των εφαρμογών της ΤΠΕ στη επιχείρηση
21 Hours
Testimonials (1)
Συναισθανόμενος ότι κατέχω τις βασικές δεξιότητες που μου επιτρέπουν να καταλάβω πώς συνδέονται οι ROS και πώς να structuring projects σε αυτό.
Dan Goldsmith - Coventry University
Course - ROS: Programming for Robotics
Machine Translated
