Εξέλιξη Κομματιού

Εισαγωγή

  • Ορισμός του "Industrial-Strength Natural Language Processing"

Εγκατάσταση spaCy

Συστατικά του spaCy

  • Part-of-speech tagger
  • Named entity recognizer
  • Dependency parser

Περίληψη των ιδιοτήτων και συντάξεως του spaCy

Κατανόηση της μοντελοποίησης του spaCy

  • Στατιστική μοντελοποίηση και πρόβλεψη

Χρήση της Συμβολοσειράς spaCy Command Line Interface (CLI)

  • Βασικές εντολές

Δημιουργία απλής εφαρμογής για τη πρόβλεψη καταστάσεων

Εκπαίδευση νέου στατιστικού μοντέλου

  • Δεδομένα (για εκπαίδευση)
  • Ετικέτες (tags, ονόματα εντιτήτων κλπ.)

Φόρτωση του μοντέλου

  • Ανακατάταξη και δομή κυκλών

Αποθήκευση του μοντέλου

Παροχή αντιδράσεων στο μοντέλο

  • Σύνδυαση λάθους (error gradient)

Ενημέρωση του μοντέλου

  • Ενημέρωση του αναγνώριση εντιτήτων (entity recognizer)
  • Εξαγωγή tokens κατά βάση προσδιορισμού (rule-based matcher)

Ανάπτυξη γενικής θεωρίας για αναμενόμενους αποτελέσματες

Η μελέτη κειμένου (Case Study)

  • Διάκριση ονομάτων προϊόντων από ονόματα εταιρειών

Εξέλιξη των δεδομένων εκπαίδευσης

  • Επιλογή αντιπροσωπευτικών δεδομένων
  • Ορισμός του ρυθμού dropout

Άλλες μεθόδους εκπαίδευσης

  • Πέρασμα ανεξεργάστων κειμένων (raw texts)
  • Πέρασμα λεξικών αναδόθηκαν (dictionaries of annotations)

Χρήση του spaCy για προεπεξεργασία κειμένου για βάθυ μάθηση

Ενσωμάτωση του spaCy σε υφιστάμενες εφαρμογές

Δοκιμή και αποκλεισμός λαθών (debugging) του μοντέλου spaCy

  • Η σημασία της παράκυκλης εξέλιξης (iteration)

Εφαρμογή του μοντέλου σε παραγωγικό περιβάλλον

Παρακολούθηση και προσαρμογή του μοντέλου

Εξασκηματοποίηση (troubleshooting)

Συνοψις και συμπέρασμα

Απαιτήσεις

  • Εμπειρία προγραμματισμού με Python.
  • Βασική κατανόηση των στατιστικών
  • Εμπειρία με το command line

Ακροατήριο

  • Προγραμματιστές
  • Επιστήμονες δεδομένων
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Σχόλια (3)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες