Procesamiento de lenguaje natural NLP en Python para principiantes

03/11/2021

Procesamiento de lenguaje natural NLP en Python para principiantes
Índice
  1. Procesamiento de lenguaje natural NLP en Python para principiantes
    1. Aprenda el procesamiento del lenguaje natural usando Spacy, NLTK, PyTorch, preprocesamiento de texto, incrustaciones, Word2Vec y aprendizaje profundo

Procesamiento de lenguaje natural NLP en Python para principiantes

Aprenda el procesamiento del lenguaje natural usando Spacy, NLTK, PyTorch, preprocesamiento de texto, incrustaciones, Word2Vec y aprendizaje profundo

Lo que aprenderás

Procesamiento de lenguaje natural NLP en Python para principiantes

  • Qué importancia tiene el procesamiento del lenguaje natural (PNL) en la ciencia de datos.
  • Las razones para pasar de modelos de secuencia clásicos a modelos de secuencia basados ​​en aprendizaje profundo.
  • Los conceptos esenciales desde el principio absoluto con un desenredo completo con ejemplos en Python.
  • Detalles de modelos de aprendizaje profundo para PNL con ejemplos.
  • Un resumen de los conceptos de la teoría del Deep Learning.
  • Descripción práctica y codificación en vivo con Python.
  • Deep PyTorch (marco de aprendizaje profundo de Facebook).
  • El uso y aplicaciones de modelos de PNL de última generación.
  • Construyendo sus propias aplicaciones para la generación automática de textos y traductores de idiomas.
  • Y mucho más…

Requisitos

  • • No se requiere ningún conocimiento previo. Comenzará con los conceptos fundamentales y poco a poco irá adquiriendo conocimientos sobre el tema.
  • • Voluntad de aprender y practicar.
  • • El conocimiento de Python será una ventaja.

Descripción

Descripción completa del curso:

El procesamiento del lenguaje natural (PNL), una subdivisión de la inteligencia artificial (IA), es la capacidad de una ordenador para comprender el lenguaje humano tal como se habla y se escribe. El lenguaje humano generalmente se conoce como lenguaje natural.

Los humanos también tienen diferentes sensores. Por ejemplo, los oídos realizan la función de oír y los ojos realizan la función de ver. Del mismo modo, las computadoras tienen programas de lectura y micrófonos para recopilar audio. Así como el cerebro humano procesa una entrada, un programa de ordenador procesa una entrada específica. Y durante el procesamiento, el programa convierte la entrada en un código que la ordenador comprende.

Este curso, Procesamiento del lenguaje natural (PNL), teoría y práctica en Python, le presenta los conceptos, herramientas y técnicas del aprendizaje automático para datos de texto. Aprenderá los conceptos elementales así como las tendencias emergentes en el campo de la PNL. También aprenderá sobre la implementación y evaluación de diferentes aplicaciones de PNL utilizando métodos de aprendizaje profundo.

¿Por qué utilizar Python para PNL?

Python es el lenguaje preferido para la PNL gracias a sus amplias herramientas y bibliotecas para el análisis de texto y la extracción de datos utilizables por ordenador. Este curso lo llevará a través de numerosas técnicas para el preprocesamiento de texto, desde conceptos básicos como expresiones regulares y normalización de texto hasta temas complejos como la concordancia de cadenas, modelos de lenguaje e incrustaciones de palabras.

Considerará la mayoría de los ejemplos del idioma inglés para comprender los algoritmos. Pero los algoritmos se pueden adaptar a cualquier idioma. (Por lo tanto, no hay dependencia de lenguaje / gramática). Obtendrá exposición a paquetes de última generación (NLTK, Gensim, SpaCy), así como marcos (PyTorch) junto con un extenso contenido orientado a la implementación / codificación en Python. El enfoque principal del curso es la preparación de datos de texto para modelos de aprendizaje automático.

Aunque tenemos cursos separados sobre aprendizaje profundo, cubrimos conceptos útiles en este curso brevemente para que este curso sea más independiente.

¿En qué se diferencia este curso de PNL?

El contenido del curso es muy específico y va al grano. El material de aprendizaje es una combinación perfecta de conceptos teóricos y aplicaciones prácticas. Se han incluido ejemplos y código de muestra para ayudarlo a comprender cada concepto con más claridad. Cada concepto de PNL está estructurado y presentado de tal manera que le resulte fácil de entender.

El contenido de video de alta calidad, el material del curso atractivo, las preguntas de evaluación, las notas del curso y los folletos son ventajas adicionales que obtendrá. Puede ponerse en contacto con nuestro amable equipo en caso de cualquier consulta.

Este curso le anima a progresar rápidamente. Al final de cada módulo, tendrá la oportunidad de revisar todo lo que ha aprendido a través de Tareas / tareas / actividades. Han sido diseñados para evaluar / desarrollar aún más su aprendizaje en base a los conceptos y métodos que ha aprendido. La mayoría de estas asignaciones se basan en codificación y serán útiles para comenzar y seguir adelante con las implementaciones.

LEER
Introducción completa a las criptomonedas y blockchain

Procesamiento de lenguaje natural NLP en Python para principiantes

Los dos miniproyectos del último módulo, Neural Machine / Language Translator, Modify Language Translator y Build a Chatbot, se centran en las aplicaciones innovadoras en este campo. Estos miniproyectos le ayudarán a aplicar los conceptos de preprocesamiento de texto. Utilizará técnicas como etiquetado de partes de voz, lematización y tokenización mediante bibliotecas de Python.

La PNL ha logrado enormes avances en la última década y ha dado el salto de los laboratorios de investigación a las aplicaciones del mundo real. Si bien comenzar en este campo puede ser una tarea desafiante, este curso le presenta una hoja de ruta clara y procesable. Hace que la tarea de lograr sus objetivos profesionales sea mucho más fácil.

Este curso tiene un precio competitivo y ofrece una buena relación calidad-precio, ya que puede aprender los conceptos y metodologías de PNL a un costo relativamente bajo. La serie de videos breves y los cuadernos de códigos detallados acortan su curva de aprendizaje.

¡Comience con este curso de PNL sin demora!

Contenido del curso:

Este curso completo consta de los siguientes temas:

1. Introducción

una. Motivación

I. ¿Qué es el procesamiento del lenguaje natural (PNL)?

ii. ¿Por qué es importante la PNL?

iii. ¿Qué es el modelado de lenguaje neuronal?

iv. ¿Cómo se utilizan los modelos de lenguaje en el reconocimiento de voz?

v. Chatbots

B. Software

I. ESPACIO

ii. NLTK

iii. Gensim

iv. PyTorch

2. Procesamiento previo de texto

una. Expresiones regulares

I. Patrones de expresiones regulares

B. Normalización de texto

I. Tokenización de palabras

ii. Codificación de pares de bytes

iii. Subpalabras

iv. Normalización, lematización y derivación de palabras

v. Segmentación de oraciones

C. Coincidencia de cadenas

I. Editar distancia

ii. Distancia mínima de edición

iii. Programación dinámica

iv. Implementación de la distancia mínima de edición en NumPy

3. Incrustaciones de palabras

una. Modelos de lenguaje

I. Vocabulario

ii. Modelos de Markov

iii. N-gramos

iv. Generación de secuencia novedosa

v. Modelado de lenguaje usando un vector activo

vi. Limitaciones de la codificación One-Hot

B. Subespacios lineales para incrustaciones de palabras

I. Término-Documento-Matriz

ii. Tf-IDf

iii. Análisis semántico latente: SVD

iv. Matriz de coincidencia de palabras

v. Incrustaciones de palabras: SVD

vi. Limitaciones

C. Word2Vec

I. Modelo de omisión de gramo

ii. Muestreo de contexto y objetivo

iii. SoftMax jerárquico

iv. Muestreo negativo

D. Más sobre incrustaciones

I. Guante

ii. FastText

iii. BERT

mi. Analogías

I. Similitud de coseno

ii. Ejemplos de analogías

iii. Sesgo en incrustaciones

4. Procesamiento del lenguaje natural con aprendizaje profundo

una. Redes neuronales

B. Tipos de redes neuronales recurrentes

I. Doce y cincuenta y nueve de la noche

ii. Uno demasiados

iii. Muchos a uno

iv. Muchos a muchos

v. RNN bidireccionales

vi. RNN profundos

C. Arquitecturas RNN avanzadas para PNL

I. Modelos de codificador-decodificador

ii. Modelos de atención

5. Proyectos

una. Máquina neuronal / Traductor de idiomas

B. Modifique un poco el traductor de idiomas y cree un chatbot.

Después de completar este curso con éxito, podrá:

  • Aplique los conceptos a cualquier lenguaje para crear modelos personalizados de PNL.
  • Aprenda conceptos de aprendizaje automático de una manera más práctica.
  • Comprender la metodología de la PNL utilizando conjuntos de datos reales.

Para quién es este curso:

  • Principiante completo en el procesamiento del lenguaje natural.
  • Personas que desean actualizar sus habilidades de programación Python para PNL.
  • Personas apasionadas por los números y la programación.
  • Científicos de datos.
  • Analistas de datos.
  • Profesionales de aprendizaje automático.

Más Información

Subir

Este sitio web utiliza cookies para ofrecerle una mejor experiencia de navegación, si continua en navegando consideramos que acepta su uso.