Struttura del corso

Introduzione

  • Definire "Natural Language Processing di livello industriale"

Installazione di spaCy

Componenti spaCy

  • Part-of-speech tagger
  • Riconoscitore di entità nominate
  • Analizzatore di dipendenze

Panoramica delle funzionalità e della sintassi di spaCy

Comprendere la modellazione dello spazio

  • Modellazione statistica e previsione

Utilizzo dell'interfaccia della riga di comando (CLI) di SpaCy

  • Comandi base

Creazione di una semplice applicazione per prevedere il comportamento

Addestramento di un nuovo modello statistico

  • Dati (per l'addestramento)
  • Etichette (tag, entità nominate, ecc.)

Caricamento del modello

  • Mescolamento e iterazione

Salvataggio del modello

Fornire commenti e suggerimenti al modello

  • Gradiente di errore

Aggiornamento del modello

  • Aggiornamento del riconoscitore di entità
  • Estrazione di token con rule-based matcher

Sviluppo di una teoria generalizzata per i risultati attesi

Caso di studio

  • Distinguere i nomi dei prodotti dai nomi delle aziende

Perfezionamento dei dati di training

  • Selezione di dati rappresentativi
  • Impostazione del dropout rate

Altri stili di allenamento

  • Passaggio di testi grezzi
  • Passaggio di dizionari di annotazioni

Utilizzo di spaCy per pre-elaborare il testo per Deep Learning

Integrazione di spaCy con le applicazioni legacy

Test e debug del modello spaCy

  • L'importanza dell'iterazione

Distribuzione del modello nell'ambiente di produzione

Monitoraggio e regolazione del modello

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • esperienza di programmazione.
  • Una conoscenza di base della statistica
  • Esperienza con la riga di comando

Pubblico

  • Sviluppatori
  • Data scientist
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative