Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Αναλυτικό περίγραμμα εκπαίδευσης

  1. Εισαγωγή στο NLP
    • Κατανόηση του NLP
    • Πλαίσια εργασίας NLP
    • Εμπορικές εφαρμογές του NLP
    • Άντληση δεδομένων από τον ιστό
    • Εργασία με διάφορα APIs για ανάκτηση δεδομένων κειμένου
    • Εργασία και αποθήκευση σωμάτων κειμένου, αποθήκευση περιεχομένου και σχετικών μεταδεδομένων
    • Πλεονεκτήματα της χρήσης Python και ταχύρρυθμο μάθημα NLTK
  2. Πρακτική κατανόηση ενός Corpus και Dataset
    • Γιατί χρειαζόμαστε ένα corpus;
    • Ανάλυση Corpus
    • Τύποι χαρακτηριστικών δεδομένων
    • Διαφορετικές μορφές αρχείων για corpora
    • Προετοιμασία ενός dataset για εφαρμογές NLP
  3. Κατανόηση της δομής των προτάσεων
    • Συστατικά του NLP
    • Κατανόηση φυσικής γλώσσας
    • Μορφολογική ανάλυση - θέμα, λέξη, διακριτικό, ετικέτες μέρους του λόγου
    • Συντακτική ανάλυση
    • Σημασιολογική ανάλυση
    • Διαχείριση ασάφειας
  4. Προεπεξεργασία δεδομένων κειμένου
    • Corpus - ακατέργαστο κείμενο
      • Κατακερματισμός προτάσεων
      • Θεμελίωση (stemming) ακατέργαστου κειμένου
      • Λημματοποίηση ακατέργαστου κειμένου
      • Αφαίρεση λέξεων στοπ
    • Corpus - ακατέργαστες προτάσεις
      • Κατακερματισμός λέξεων
      • Λημματοποίηση λέξεων
    • Εργασία με πίνακες όρου-εγγράφου/εγγράφου-όρου
    • Κατακερματισμός κειμένου σε n-grams και προτάσεις
    • Πρακτική και προσαρμοσμένη προεπεξεργασία
  5. Ανάλυση δεδομένων κειμένου
    • Βασικά χαρακτηριστικά του NLP
      • Αναλυτές (parsers) και συντακτική ανάλυση (parsing)
      • POS tagging και taggers
      • Αναγνώριση ονομαστικών οντοτήτων
      • N-grams
      • Bag of words
    • Στατιστικά χαρακτηριστικά του NLP
      • Έννοιες γραμμικής άλγεβρας για το NLP
      • Πιθανοτική θεωρία για το NLP
      • TF-IDF
      • Διανυσματοποίηση
      • Κωδικοποιητές και αποκωδικοποιητές
      • Κανονικοποίηση
      • Πιθανοτικά μοντέλα
    • Προηγμένη μηχανική χαρακτηριστικών και NLP
      • Βασικές αρχές του word2vec
      • Συστατικά του μοντέλου word2vec
      • Λογική του μοντέλου word2vec
      • Επέκταση της έννοιας του word2vec
      • Εφαρμογή του μοντέλου word2vec
    • Μελέτη περίπτωσης: Εφαρμογή του bag of words – αυτόματη σύνοψη κειμένου με χρήση απλοποιημένων και πραγματικών αλγορίθμων του Luhn
  6. Συσταδοποίηση, Ταξινόμηση και Μοντελοποίηση Θεμάτων Εγγράφων
    • Συσταδοποίηση εγγράφων και εξόρυξη προτύπων (ιεραρχική συσταδοποίηση, k-means κ.λπ.)
    • Σύγκριση και ταξινόμηση εγγράφων με χρήση TFIDF, Jaccard και μέτρων απόστασης συνημιτόνου
    • Ταξινόμηση εγγράφων με χρήση Naïve Bayes και Μέγιστης Εντροπίας
  7. Αναγνώριση Σημαντικών Στοιχείων Κειμένου
    • Μείωση διαστατικότητας: Ανάλυση Κύριων Συνιστωσών (PCA), Ιδιάζουσα Ανάλυση Πινάκων (SVD), μη-αρνητική παραγοντοποίηση πινάκων (NMF)
    • Μοντελοποίηση θεμάτων και ανάκτηση πληροφοριών με Λανθάνουσα Σημασιολογική Ανάλυση (LSA)
  8. Εξαγωγή Οντοτήτων, Ανάλυση Συναισθήματος και Προηγμένη Μοντελοποίηση Θεμάτων
    • Θετικό έναντι αρνητικού: βαθμός συναισθήματος
    • Θεωρία Απόκρισης Στοιχείων (IRT)
    • POS tagging και εφαρμογή του: εντοπισμός ανθρώπων, τοποθεσιών και οργανισμών που αναφέρονται στο κείμενο
    • Προηγμένη μοντελοποίηση θεμάτων: Latent Dirichlet Allocation
  9. Μελέτες περίπτωσης
    • Εξόρυξη μη δομημένων κριτικών χρηστών
    • Ταξινόμηση συναισθήματος και οπτικοποίηση δεδομένων κριτικών προϊόντων
    • Εξόρυξη αρχείων καταγραφής αναζητήσεων για πρότυπα χρήσης
    • Ταξινόμηση κειμένου
    • Μοντελοποίηση θεμάτων

Απαιτήσεις

Γνώση και επίγνωση των αρχών του NLP και εκτίμηση της εφαρμογής της Τεχνητής Νοημοσύνης στις επιχειρήσεις.

 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (1)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες