Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Részletes képzési vázlat
- Bevezetés az NLP-be
- Az NLP megértése
- NLP keretrendszerek
- Az NLP kereskedelmi alkalmazásai
- Adatok gyűjtése a web-ről
- Különböző API-k használata szöveges adatok lekéréséhez
- Szöveges korpuszok kezelése és tárolása, tartalom és releváns metaadatok mentése
- A Python és az NLTK használatának előnyei – gyorstalpaló
- Gyakorlati megértés a korpuszról és adathalmazról
- Miért van szükség korpuszra?
- Korpusz elemzés
- Adatattribútumok típusai
- Különböző fájlformátumok korpuszokhoz
- Adathalmaz előkészítése NLP alkalmazásokhoz
- A mondat szerkezetének megértése
- Az NLP összetevői
- Természetes nyelv megértése
- Morfológiai elemzés – szótő, szó, token, beszédcímkék
- Szintaktikai elemzés
- Szematikus elemzés
- Kétértelműség kezelése
- Szöveges adatok előfeldolgozása
- Korpusz – nyers szöveg
- Mondat tokenizálás
- Szótőválasztás nyers szöveghez
- Lemmatizálás nyers szöveghez
- Stop szavak eltávolítása
- Korpusz – nyers mondatok
- Szó tokenizálás
- Szó lemmatizálás
- Term-Dokument/Dokument-Term mátrixok használata
- Szöveg tokenizálás n-grammokra és mondatokra
- Gyakorlati és testreszabott előfeldolgozás
- Korpusz – nyers szöveg
- Szöveges adatok elemzése
- Az NLP alapvető jellemzői
- Elemzők és elemzés
- POS címkézés és címkézők
- Névazonosítás
- N-grammok
- Szózsák
- Az NLP statisztikai jellemzői
- Lineáris algebra alapjai az NLP-hez
- Valószínűségszámítás az NLP-hez
- TF-IDF
- Vektorizálás
- Kódolók és dekódolók
- Normalizálás
- Valószínűségi modellek
- Haladó jellemzőmérnökség és NLP
- A word2vec alapjai
- A word2vec modell összetevői
- A word2vec modell logikája
- A word2vec koncepció kiterjesztése
- A word2vec modell alkalmazása
- Esettanulmány: A szózsák alkalmazása: automatikus szövegösszefoglalás egyszerűsített és valódi Luhn-algoritmusokkal
- Az NLP alapvető jellemzői
- Dokumentum klaszterezés, osztályozás és témamodellezés
- Dokumentum klaszterezés és mintakeresés (hierarchikus klaszterezés, k-means klaszterezés stb.)
- Dokumentumok összehasonlítása és osztályozása TFIDF, Jaccard és koszinusz távolságmérőkkel
- Dokumentum osztályozás Naïve Bayes és Maximum Entropy módszerekkel
- Fontos szövegelemek azonosítása
- Dimenziócsökkentés: Főkomponens-analízis, Szinguláris értékfelbontás, nem-negatív mátrix faktorizáció
- Témamodellezés és információlehívás Latent Szeamtikus Analízissel
- Entitás kinyerése, hangulatelemzés és haladó témamodellezés
- Pozitív vs. negatív: hangulat foka
- Tételválasz elmélet
- Szófaji címkézés és alkalmazása: személyek, helyek és szervezetek azonosítása szövegben
- Haladó témamodellezés: Latent Dirichlet Allocation
- Esettanulmányok
- Strukturálatlan felhasználói vélemények bányászata
- Termékértékelési adatok hangulat osztályozása és vizualizálása
- Keresési naplók bányászata használati mintákhoz
- Szöveg osztályozás
- Témamodellezés
Követelmények
Az NLP alapelveinek ismerete és az MI üzleti alkalmazásainak megértése
21 Órák
Vélemények (1)
Úgy érzem, megszerztem a szükséges alapvető készségeket ahhoz, hogy megértsem, hogyan működik az ROS és hogyan kell projekteket szerkezeti benne.
Dan Goldsmith - Coventry University
Kurzus - ROS: Programming for Robotics
Gépi fordítás