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 tervezet
- NLP bemutatása
- NLP megértése
- NLP keretrendszerek
- NLP kereskedelmi alkalmazásai
- Adatok webes szemantikus elemzése
- Versenyzők API-jainak használata szövegadatok lekéréséhez
- Szöveg adattárak kezelése és tárolása, tartalom és releváns metaadatok mentése
- Python és NLTK rövid áttekintése - előnyei
- A korpusz és az adathalmaz praktikus megértése
- Miért szükség van a korpuszra?
- Korpusz elemzés
- Adattípusok
- Különböző fájlformátumok korpuszokhoz
- Egy NLP alkalmazásokhoz való adathalmaz előkészítése
- Mondatstruktúra megértése
- NLP összetevői
- Természetes nyelv értelmezése
- Morfológiai elemzés - gyök, szó, token, beszédbeli cimkék
- Szintaktikai elemzés
- Szemszintgörbítési elemzés
- Ellentmondás kezelése
- Szövegadat előfeldolgozása
- Korpusz - nyers szöveg
- Mondatok tokenizálása
- Nyers szöveg gyökölése
- Nyers szöveg lemmatizálása
- Stop szavak eltávolítása
- Korpusz - nyers mondatok
- Szavak tokenizálása
- Szavak lemmatizálása
- Az állomány-dokumentum/dokumentum-állomány mátrixok használata
- Mondatok és n-gramek szövegtokenizálása
- Egyedi és praktikus előfeldolgozás
- Korpusz - nyers szöveg
- Szövegadat elemzése
- NLP alapfunkciói
- Párolók és párolás
- POS cimkeezés és cimkeszemélyek
- Név-entitás felismerés
- n-gramek
- Szavak zsákja
- NLP statisztikai funkciói
- Lineáris algebra alapjai NLP szempontból
- NLP valószínűségi elmélete
- TF-IDF
- Vektorizálás
- Kódolók és dekódolók
- Normálítás
- Valószínűségi modellek
- NLP haladó funkciói
- Word2vec alapjai
- Word2vec modell összetevői
- Word2vec modell logikája
- Word2vec koncept kiterjesztése
- Word2vec modell alkalmazása
- Kétféle eset: A szavak zsákja alkalmazása - automatikus összefoglalók a Luhn algoritmusának egyszerűsített és valós változatával
- NLP alapfunkciói
- Dokumentumcsoportosítás, osztályozás és téma modellezés
- Dokumentumcsoportosítás és minta kivitelezés (hirarchikus csoportosítás, k-átlag, stb.)
- Dokumentumok összehasonlítása és osztályozása a TFIDF, Jaccard és koszinusz távolság mérőszámok segítségével
- Dokumentumok osztályozása Naïve Bayes és Maximum Entropy módszerekkel
- Kiemelkedő szövegelemek azonosítása
- Dimenziók redukciója: főkomponens elemzés, egyszerűsített érték bontás, nem negatív mátrix faktorizáció
- Téma modellezés és információs visszaadás latens szemantikus elemzés segítségével
- Entitás kivonása, érzékelőelemzés és haladó téma modellezés
- Pozitív vs. negatív: érzékenység foka
- Tételválaszthatóság elmélet
- Beszédbeli cimkeezés és alkalmazása: személyek, helyek és szervezetek felismerése a szövegben
- Haladó téma modellezés: latens Dirichlet eloszlás
- Kétféle eset
- Nyers felhasználói vélemények kivitelezése
- Termék vélemény adatok érzékelőelemzése és vizualizációja
- Keresési naplók elemzése használati mintákért
- Szöveg osztályozása
- Téma modellezés
Követelmények
Tudás és elismertség az NLP elvölgyezéseiről, valamint az mesterséges intelligencia alkalmazásaival kapcsolatban a vállalkozásokban
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