Kurzusleírás

Bevezetés

  • "Ipari erős természetes nyelv feldolgozás" meghatározása

A spaCy telepítése

spaCy összetevők

  • Mondatszerkezet-felismerő (Part-of-speech tagger)
  • Névkiáltás-felismerő (Named entity recognizer)
  • Tartozékos elemző (Dependency parser)

A spaCy funkcióinak és szintaxisának áttekintése

A spaCy modellezésének megértése

  • Statisztikai modellezés és előrejelzés

A SpaCy parancssori felületének (CLI) használata

  • Alapvető parancsok

Egyszerű alkalmazás készítése viselkedés előrejelzéséhez 

Új statisztikai modell betanítása

  • Adat (a tanításhoz)
  • Címkék (tags, névkiáltások, stb.)

A modell betöltése

  • Keverés és ciklusok 

A modell mentése

Visszajelzés adása a modellhez

  • Hibagrádienst értékelése

A modell frissítése

  • A névkiáltás-felismerő frissítése
  • Szabályalapú egyeztető használata tokenek kinyeréséhez

Általános teória kidolgozása a várható eredményekhez

Esettanulmány

  • A termékválasztékok és vállalatnév különböztetése

A tanítási adatok finomhangolása

  • Reprezentatív adatok kiválasztása
  • Kihasználhatóság rátéka beállítása

Más tanítási stílusok

  • Nyers szövegek átadása
  • Annotációk szótárának átadása

A spaCy használata mély tanulási (Deep Learning) feladatokhoz való szöveg előkészítéséhez

A spaCy integrálása örökölt alkalmazásokkal

A spaCy modell tesztelése és hibakeresése

  • Iteráció fontossága

A modell üzembe helyezése a termelésre

A modell monitorozása és beállítása

Hibaelhárítás

Összefoglaló és következtetés

Követelmények

  • Python programozási tapasztalatok.
  • Egyszerű statisztikai ismeretek
  • Parancssoros használati tapasztalatok

Célcsoport

  • Fejlesztők
  • Adattudósok
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák