Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Piano di formazione dettagliato
- Introduzione al NLP
- Comprendere il NLP
- Framework NLP
- Applicazioni commerciali del NLP
- Scraping dei dati dal web
- Lavorare con varie API per recuperare dati testuali
- Lavorare e archiviare corpora di testo, salvando il contenuto e i metadati rilevanti
- Vantaggi dell'uso di Python e crash course su NLTK
- Comprensione pratica dei corpora e degli insiemi di dati
- Perché serve un corpus?
- Analisi del corpus
- Tipi di attributi dei dati
- Diversi formati di file per i corpora
- Preparazione di un dataset per applicazioni NLP
- Comprensione della struttura delle frasi
- Componenti del NLP
- Comprensione del linguaggio naturale
- Analisi morfologica - radice, parola, token, tag del discorso
- Analisi sintattica
- Analisi semantica
- Gestione dell'ambiguità
- Preprocessing dei dati testuali
- Corpus - testo grezzo
- Tokenizzazione delle frasi
- Stemming per testo grezzo
- Lemmatizzazione del testo grezzo
- Rimozione delle stop word
- Corpus - frasi grezze
- Tokenizzazione delle parole
- Lemmatizzazione delle parole
- Lavoro con matrici Termine-Documento/Documento-Termine
- Tokenizzazione del testo in n-grammi e frasi
- Preprocessing pratico e personalizzato
- Corpus - testo grezzo
- Analisi dei dati testuali
- Funzionalità di base del NLP
- Parsers e parsing
- Tag POS e tagger
- Riconoscimento delle entità nominate
- N-grammi
- Bag of words
- Funzionalità statistiche del NLP
- Concetti di algebra lineare per il NLP
- Teoria della probabilità per il NLP
- TF-IDF
- Vettorizzazione
- Encoder e Decoder
- Normalizzazione
- Modelli probabilistici
- Feature engineering avanzato e NLP
- Fondamenti di word2vec
- Componenti del modello word2vec
- Logica del modello word2vec
- Estensione del concetto di word2vec
- Applicazione del modello word2vec
- Studio di caso: Applicazione del bag of words: riassunto automatico dei testi utilizzando gli algoritmi di Luhn semplificati e autentici
- Funzionalità di base del NLP
- Clustering, classificazione e topic modeling dei documenti
- Clustering dei documenti e pattern mining (clustering gerarchico, k-means, clustering, ecc.)
- Confronto e classificazione dei documenti utilizzando misure di distanza TFIDF, Jaccard e coseno
- Classificazione dei documenti utilizzando Naïve Bayes e Entropia Massima
- Identificazione di elementi testuali importanti
- Riduzione della dimensionalità: Analisi delle Componenti Principali, Decomposizione in Valori Singolari, fattorizzazione di matrici non negative
- Topic modeling e ricerca delle informazioni utilizzando l'Analisi Semantica Latente
- Estrazione di entità, analisi del sentimento e topic modeling avanzato
- Positivo vs negativo: grado del sentimento
- Teoria della risposta alle domande
- Tag POS e la sua applicazione: trovare persone, luoghi e organizzazioni menzionate nel testo
- Topic modeling avanzato: Latent Dirichlet Allocation
- Studi di caso
- Estrazione di dati da recensioni utente non strutturate
- Classificazione e visualizzazione del sentimento dei dati delle recensioni di prodotti
- Estrazione di dati dai log di ricerca per i modelli di utilizzo
- Classificazione dei testi
- Topic modeling
Requisiti
Conoscenza e familiarità con i principi del NLP e consapevolezza delle applicazioni dell'AI nel business
21 ore
Recensioni (1)
Supporto individuale
Simon the 2nd - Cboost
Corso - ROS: Programming for Robotics
Traduzione automatica
