Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Időtartalma 21 órák (3 napok)
Kurzusleírás
Részletes képzési tematika
- Bevezetés az NLP-be
- Az NLP megértése
- NLP keretrendszerek
- Az NLP kereskedelmi alkalmazásai
- Adatok gyűjtése a webről
- Különböző API-k használata szöveges adatok lekéréséhez
- Szövegkorpuszok kezelése és tárolása, tartalom és releváns metaadatok mentése
- A Python és az NLTK használatának előnyei – gyorstalpaló
- Korpusz és adathalmaz gyakorlati megértése
- Miért van szükség korpuszra?
- Korpuszelemzés
- Adatattribútumok típusai
- Különböző fájlformátumok korpuszokhoz
- Adathalmaz előkészítése NLP-alkalmazásokhoz
- A mondatok szerkezetének megértése
- Az NLP összetevői
- Természetes nyelvi megértés
- Morfológiai elemzés – szótő, szó, token, szófaji címkék
- Szintaktikai elemzés
- Szemantikai elemzés
- Kétértelműség kezelése
- Szöveges adatok előfeldolgozása
- Korpusz – nyers szöveg
- Mondatok tokenizálása
- Szótövesítés nyers szövegen
- Lematizálás nyers szövegen
- Stopszavak eltávolítása
- Korpusz – nyers mondatok
- Szavak tokenizálása
- Szavak lematizálása
- Term-Dokumentum/Dokumentum-Term mátrixok használata
- Szöveg tokenizálása n-gramokra és mondatokra
- Gyakorlati és testreszabott előfeldolgozás
- Korpusz – nyers szöveg
- Szöveges adatok elemzése
- Az NLP alapvető jellemzői
- Elemzők és elemzés
- POS-címkézés és címkézők
- Nevesített entitás-felismerés
- N-gramok
- Szózsák modell
- Az NLP statisztikai jellemzői
- Lineáris algebrai alapfogalmak az NLP-hez
- Valószínűségelmélet az NLP-hez
- TF-IDF
- Vektorizáció
- Kódolók és dekódolók
- Normalizálás
- Valószínűségi modellek
- Fejlett jellemzőkinyerés és NLP
- A word2vec alapjai
- A word2vec modell összetevői
- A word2vec modell logikája
- A word2vec koncepció kiterjesztése
- A word2vec modell alkalmazása
- Esettanulmány: A szózsák modell alkalmazása – automatikus szövegösszegzés egyszerűsített és valódi Luhn-algoritmusokkal
- Az NLP alapvető jellemzői
- Dokumentumklaszterezés, osztályozás és témamodellezés
- Dokumentumklaszterezés és mintázatbányászat (hierarchikus klaszterezés, k-közép klaszterezés stb.)
- Dokumentumok összehasonlítása és osztályozása TFIDF, Jaccard és koszinusz távolságmértékekkel
- Dokumentumosztályozás Naïve Bayes és Maximum Entropy módszerekkel
- Fontos szövegelemek azonosítása
- Dimenziócsökkentés: főkomponens-elemzés, szinguláris felbontás, nemnegatív mátrix faktorizáció
- Témamodellezés és információ-visszakeresés látens szemantikus elemzéssel
- Entitáskinyerés, véleményelemzés és fejlett témamodellezés
- Pozitív vs. negatív: a vélemény mértéke
- Item Response Theory
- Szófaji címkézés és alkalmazása: személyek, helyek és szervezetek felismerése a szövegben
- Fejlett témamodellezés: Latent Dirichlet Allocation
- Esettanulmányok
- Strukturálatlan felhasználói vélemények bányászata
- Véleményosztályozás és termékvélemény-adatok vizualizációja
- Keresési naplók bányászata használati mintázatokért
- Szövegosztályozás
- Témamodellezés
Követelmények
Az NLP alapelveinek ismerete és az AI üzleti alkalmazásának megértése
Vélemények (1)
Egyéni támogatás
Simon the 2nd - Cboost
Kurzus - ROS: Programming for Robotics
Gépi fordítás
