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
- NLP megértése
- NLP keretek
- NLP kereskedelmi alkalmazásai
- Adatok kinyerése a webről
- Különböző API-k használata szöveges adatok visszaállítására
- Szövegkorpuszok kezelése és tárolása, tartalom és releváns metadatumok mentése
- Python és NLTK gyorskurzusok előnyei
- A korpusz és adathalmaz gyakorlati megértése
- Miért szükséges egy korpusz?
- Korpusz-analízis
- Adattulajdonságok típusai
- Korpuszok különböző fájlformátumai
- Adathalmaz előkészítése NLP alkalmazásokra
- A mondatok szerkezetének megértése
- NLP komponensei
- Természetes nyelvértés
- Morfológiai elemzés - gyök, szó, tokennelés, beszédcímkék
- Szintaktikus elemzés
- Szemantikus elemzés
- Homonimák kezelése
- Szövegadatok előfeldolgozása
- Korpusz - nyers szöveg
- Mondatok tokennelése
- Nyers szöveg származékos alakja
- Nyers szöveg szótőképzése
- Stop szavak eltávolítása
- Korpusz - nyers mondatok
- Word tokennelés
- Word szótőképzés
- Term-Document/Document-Term mátrixokkal való munkavégzés
- Szöveg tokennelése n-gramokká és mondatokká
- Praktikus és testreszabott előfeldolgozás
- Korpusz - nyers szöveg
- Szövegadatok elemzése
- NLP alapvető jellemzői
- Szintaktikus elemzők és elemzés
- POS címkézés és címkézők
- Névszemantikai felismerés
- N-gramok
- Szavakat tartalmazó tasak
- NLP statisztikai jellemzői
- Lineáris algebra alapfogalmai az NLP-hez
- Valószínűségi elmélet az NLP-hez
- TF-IDF
- Vektorizálás
- Kódolók és dekódolók
- Normalizálás
- Valószínűségi modellek
- Haladó jellemzőképzés és NLP
- Word2vec alapjai
- A word2vec modell komponensei
- A word2vec modell logikája
- A word2vec koncepció kiterjesztése
- A word2vec modell alkalmazása
- Eseménytanulmány: Szavakat tartalmazó tasak alkalmazása: automatizált szövegösszegzés egyszerűsített és valódi Luhn-algoritmusokkal
- NLP alapvető jellemzői
- Dokumentumcsoportosítás, osztályozás és témamodellezés
- Dokumentumcsoportosítás és mintázati bányászat (hierarchikus csoportosítás, k-means csoportosítás stb.)
- Dokumentumok összehasonlítása és osztályozása TF-IDF, Jaccard és cosinus távolságmérésekkel
- Dokumentum osztályozása Naïve Bayes és Maximum Entropy segítségével
- A fontos szövegek azonosítása
- Dimenziócsökkentés: főkomponens-analízis, singularis érték-bontás és nemnegatív mátrix-faktorizálás
- Témamodellezés és információkeresés Latent Semantic Analysis segítségével
- Entitáskivonás, Sentiment Analysis és haladó témamodellezés
- Pozitív vs. negatív: érzelemfok
- Tételválasz-elmélet
- Szószemantikai címkézés és alkalmazása: személyek, helyek és szervezetek megnevezése a szövegekben
- Haladó témamodellezés: Latent Dirichlet Allocation
- Eseménytanulmányok
- Strukturálatlan felhasználói vélemények bányászata
- Termékvisszajelzések érzelemosztályozása és vizualizálása
- Keresési naplók bányászata használati mintákra
- Szöveg osztályozása
- Témamodellezés
Követelmények
Ismeretele és tudatossága az NLP alapelvéről és az AI alkalmazásának értékelése a üzleti életben
21 Órák
Vélemények (1)
Érzem, hogy megkapom a alapvető készségeket, amiket szükséges ahhoz, hogy megértsem, hogyan épül össze a ROS, és hogyan kell projekteket szervezni benne.
Dan Goldsmith - Coventry University
Kurzus - ROS: Programming for Robotics
Gépi fordítás