Course Outline

Αναλυτικό περίγραμμα εκπαίδευσης

    Εισαγωγή στο NLP Κατανόηση των πλαισίων NLP NLP Εμπορικές εφαρμογές του NLP Scraping δεδομένων από τον ιστό Εργασία με διάφορα API για ανάκτηση δεδομένων κειμένου Εργασία και αποθήκευση σωμάτων κειμένου που αποθηκεύει περιεχόμενο και σχετικά μεταδεδομένα Πλεονεκτήματα της χρήσης Python και NLTK μάθημα crash Πρακτική και κατανόηση συνόλου δεδομένων γιατί ένα Corpus χρειαζόμαστε corpus; Ανάλυση Corpus Τύποι χαρακτηριστικών δεδομένων Διαφορετικές μορφές αρχείων για corpora Προετοιμασία ενός συνόλου δεδομένων για εφαρμογές NLP Κατανόηση της δομής των προτάσεων Στοιχεία του NLP Κατανόηση φυσικής γλώσσας Μορφολογική ανάλυση - στέλεχος, λέξη, διακριτικό, ετικέτες ομιλίας Συντακτική ανάλυση Σημασιολογική ανάλυση Χειρισμός αμφισημίας Προεπεξεργασία δεδομένων κειμένου - Ακατέργαστο κείμενο Συμβολισμός προτάσεων Προέλευση για ακατέργαστο κείμενο Λεμμοποίηση ακατέργαστου κειμένου Διακοπή αφαίρεσης λέξεων ακατέργαστων προτάσεων Word σημείωση Word λημματοποίηση Εργασία με πίνακες όρου-έγγραφου/έγγραφου-όρου Ενοποίηση κειμένου σε n-γραμμάρια και προτάσεις Πρακτική και προσαρμοσμένη προεπεξεργασία Ανάλυση δεδομένων κειμένου Βασικό χαρακτηριστικό των NLP Parsers και ανάλυση POS Tagging και Taggers Name entity Recognition N-grams Bag of words Statistical features of NLP Concepts of Linear algebra for NLP Θεωρία πιθανοτήτων για NLP TF-IDF Vectorization Encoders and Decobilistic Normaling engineering και NLP Βασικά στοιχεία του word2vec Στοιχεία του μοντέλου word2vec Λογική του μοντέλου word2vec Επέκταση της έννοιας word2vec Εφαρμογή του μοντέλου word2vec Μελέτη περίπτωσης: Εφαρμογή του σάκου λέξεων: αυτόματη σύνοψη κειμένου με χρήση απλοποιημένων και αληθών αλγορίθμων του Luhn. Ομαδοποίηση εγγράφων, ταξινόμηση και μοντελοποίηση θεμάτων και εξόρυξη μοτίβων (ιεραρχική ομαδοποίηση, k-means, ομαδοποίηση, κ.λπ.) Σύγκριση και ταξινόμηση εγγράφων με χρήση TFIDF, Jaccard και μέτρα απόστασης συνημιτόνου Ταξινόμηση εγγράφων με χρήση Naïve Bayes και μέγιστη εντροπία Προσδιορισμός σημαντικών στοιχείων κειμένου Μείωση διαστάσεων: Principal Anacomposition Decomoning Μη αρνητική παραγοντοποίηση μήτρας Μοντελοποίηση θεμάτων και ανάκτηση πληροφοριών με χρήση λανθάνουσας σημασιολογικής ανάλυσης Εξαγωγή οντοτήτων, ανάλυση συναισθήματος και προηγμένη μοντελοποίηση θεμάτων Θετική έναντι αρνητικής: βαθμός συναισθήματος Θεωρία απόκρισης στοιχείων Μέρος της προσθήκης ετικετών ομιλίας και η εφαρμογή της: εύρεση ατόμων, τοποθεσιών και οργανισμών που αναφέρονται στο κείμενο Προηγμένη μοντελοποίηση θέματος: Λανθάνουσα κατανομή Dirichlet Μελέτες περίπτωσης Εξόρυξη μη δομημένων κριτικών χρηστών Ταξινόμηση συναισθήματος και οπτικοποίηση των αρχείων καταγραφής αναζήτησης δεδομένων εξόρυξης προϊόντων για πρότυπα χρήσης Ταξινόμηση κειμένου Μοντελοποίηση θεμάτων

Requirements

Γνώση και επίγνωση των αρχών του NLP και εκτίμηση της εφαρμογής AI στις επιχειρήσεις

 21 Hours

Number of participants



Price per participant

Testimonials (2)

Related Courses

ROS for Mobile Robots using Python

21 Hours

Smart Robots for Developers

84 Hours

Developing a Bot

14 Hours

NLP with Python and TextBlob

14 Hours

Scaling Data Pipelines with Spark NLP

14 Hours

Related Categories