Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Podrobný přehled výuky
- Úvod do NLP
- Pochopení NLP
- Rámce (frameworky) NLP
- Komerční aplikace NLP
- Skrápování dat z webu
- Práce s různými API pro získávání textových dat
- Práce s textovými korpuse, ukládání obsahu a příslušných metadat
- Výhody používání Pythonu a krátký kurz NLTK
- Praktické pochopení korpuse a datové sady
- Proč potřebujeme korpus?
- Analýza korpuse
- Typy datových atributů
- Různé formáty souborů pro korpusy
- Příprava datové sady pro aplikace NLP
- Pochopení struktury věty
- Komponenty NLP
- Rozumění přirozenému jazyku
- Morfologická analýza - kořen slova, slovo, token, jazykové štítky
- Syntaktická analýza
- Semantická analýza
- Řešení nejednoznačnosti
- Předzpracování textových dat
- Korpus - surový text
- Tokenizace vět
- Lemnace pro surový text
- Lemnizace surového textu
- Odstranění stop slov
- Korpus - surové věty
- Tokenizace slov
- Lemnizace slov
- Práce s maticemi Slovo-Dokument / Dokument-Slovo
- Tokenizace textu do n-gramů a vět
- Praktické a přizpůsobené předzpracování
- Korpus - surový text
- Analýza textových dat
- Základní vlastnosti NLP
- Parsoři a parsování
- Prirazování jazykových štítků (POS) a tagery
- Rozpoznávání jmenovaných entit
- N-gramy
- Bag of words (Vaky slov)
- Statistické vlastnosti NLP
- Koncepty lineární algebry pro NLP
- Teorie pravděpodobnosti pro NLP
- TF-IDF
- Vektorizace
- Kódek a dekódek
- Normalizace
- Stochastické modely
- Pokročilé inženýrství vlastností a NLP
- Základy word2vec
- Komponenty modelu word2vec
- Logika modelu word2vec
- Rozšíření konceptu word2vec
- Aplikace modelu word2vec
- Studium případu: Aplikace bag of words: automatické shrnování textu pomocí zjednodušeného a skutečného Luhnova algoritmu
- Základní vlastnosti NLP
- Klastrování dokumentů, klasifikace a modelování témat
- Klastrování dokumentů a průzkum vzorů (hierarchické klastrování, k-means, atd.)
- Srovnávání a klasifikace dokumentů pomocí opatření vzdálenosti TFIDF, Jaccard a kosinusové
- Klasifikace dokumentů pomocí Naive Bayes a Maximum Entropy
- Identifikace důležitých prvků textu
- Redukce dimenzí: Analýza hlavních komponent, Rozklad na singulární hodnoty, Nezáporná maticová faktorizace
- Modelování témat a vyhledávání informací pomocí Latent Semantic Analysis
- Extrakce entit, analýza sentimentu a pokročilé modelování témat
- Pozitivní vs. negativní: stupeň sentimentu
- Teorie odpovědí (Item Response Theory)
- Prirazování jazykových štítků (POS) a jeho aplikace: nacházení lidí, míst a organizací zmíněných v textu
- Pokročilé modelování témat: Latent Dirichlet Allocation
- Studium případů
- Průzkum nestrukturovaných uživatelských recenzí
- Klasifikace a vizualizace sentimentu produktových recenzí
- Průzkum protokolů vyhledávání pro vzorce používání
- Klasifikace textu
- Modelování témat
Požadavky
Znalost a povědomí o principech NLP a pochopení využití AI v obchodním prostředí
21 Hodiny
Reference (1)
Individuální podpora
Simon the 2nd - Cboost
Kurz - ROS: Programming for Robotics
Přeloženo strojem
