Course Outline

Εισαγωγή

  • Ορισμός της "Βιομηχανικής Επεξεργασίας Φυσικής Γλώσσας"

Εγκατάσταση του spaCy

SpaCy Components

  • Ετικετοποίηση μερών του λόγου
  • Αναγνώριση ονομαστικών οντοτήτων
  • Αναλυτής συντακτικής δομής

Επισκόπηση των χαρακτηριστικών και της σύνταξης του spaCy

Κατανόηση του SpaCy Modeling

  • Στατιστική μοντελοποίηση και πρόβλεψη

Χρήση της διεπαφής γραμμής εντολών SpaCy (CLI)

  • Βασικές εντολές

Δημιουργία μιας απλής εφαρμογής για την πρόβλεψη συμπεριφοράς

Εκπαίδευση ενός νέου στατιστικού μοντέλου

  • Δεδομένα (για εκπαίδευση)
  • Ετικέτες (tags, ονομαστικές οντότητες, κ.λπ.)

Φόρτωση του μοντέλου

  • Ανακάτεμα και επανάληψη

Αποθήκευση του μοντέλου

Παροχή σχολίων στο μοντέλο

  • Κλίση σφάλματος

Ενημέρωση του μοντέλου

  • Ενημέρωση της αναγνώρισης οντοτήτων
  • Εξαγωγή tokens με αντιστοιχητή βασισμένο σε κανόνες

Ανάπτυξη Γενικευμένης Θεωρίας για Αναμενόμενα Αποτελέσματα

Μελέτη περίπτωσης

  • Διάκριση ονομάτων προϊόντων από ονόματα εταιρειών

Διευκρίνιση των Δεδομένων Εκπαίδευσης

  • Επιλογή αντιπροσωπευτικών δεδομένων
  • Καθορισμός του ποσοστού dropout

Άλλα στυλ προπόνησης

  • Πέρασμα ακατέργαστων κειμένων
  • Πέρασμα λεξικών σχολιασμών

Χρήση του spaCy για προεπεξεργασία κειμένου για Deep Learning

Ενσωμάτωση του spaCy με εφαρμογές παλαιού τύπου

Δοκιμή και εντοπισμός σφαλμάτων του μοντέλου spaCy

  • Η σημασία της επανάληψης

Ανάπτυξη του μοντέλου στην παραγωγή

Παρακολούθηση και προσαρμογή του μοντέλου

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Python εμπειρία προγραμματισμού.
  • Βασική κατανόηση των στατιστικών
  • Εμπειρία με τη γραμμή εντολών

Ακροατήριο

  • Προγραμματιστές
  • Επιστήμονες δεδομένων
 14 Hours

Number of participants


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories