Základy SQL

Čas začít psát dotazy pro tvůj první chatbot na rezervaci hotelů! Databáze je načtena jako "hotels.db" a kurzor s přístupem k databázi je pro tebe již připraven pod názvem cursor.

Níže najdeš tři dotazy. Tvým úkolem je zjistit, který z nich vrátí POUZE "Hotel California".

Každý dotaz můžeš otestovat tak, že zavoláš metodu .execute() na kurzoru a předáš mu dotaz jako řetězec. Výsledky pak vypíšeš zavoláním metody .fetchall() na kurzoru — ta nepřijímá žádné argumenty.

Toto cvičení je součástí kurzu

Building Chatbots in Python

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Building Chatbots in Python

SkillTag.level.intermediateSkillTag.label

4.7+

Začněte kurz zdarma

V této kapitole se naučíš, jak vytvořit svého prvního chatbota. Po krátkém historickém úvodu nastavíš základní strukturu pro příjem textu a odpovídání uživatelům a pak přidáš základní prvky osobnosti. Následně sestavíš systémy založené na pravidlech pro zpracování textu.

Exercise 1: Úvod do konverzačního softwaru Exercise 2: EchoBot I Exercise 3: EchoBot II Exercise 4: Vytváření osobnosti Exercise 5: Tlachání Exercise 6: Přidání rozmanitosti Exercise 7: ELIZA I: kladení otázek Exercise 8: Zpracování textu pomocí regulárních výrazů Exercise 9: ELIZA II: Extrakce klíčových frází Exercise 10: ELIZA III: Zájmena Exercise 11: ELIZA IV: Vše dohromady

Tady využiješ strojové učení k převodu přirozeného jazyka na strukturovaná data pomocí nástrojů spaCy, scikit-learn a rasa NLU. Začneš krátkým opakováním teoretických základů a pak přejdeš k budování modelů na datasetu ATIS, který obsahuje tisíce vět od skutečných lidí pracujících se systémem pro rezervaci letů.

Exercise 1: Záměry a entity – základní pojmy Exercise 2: Klasifikace záměrů pomocí regexů I Exercise 3: Klasifikace záměru pomocí regexu II Exercise 4: Extrakce entit pomocí regexu Exercise 5: Vektory slov Exercise 6: word vectors se spaCy Exercise 7: Záměry a klasifikace Exercise 8: Klasifikace záměrů pomocí sklearn Exercise 9: Extrakce entit Exercise 10: Rozpoznávání entit pomocí spaCy Exercise 11: Přiřazení rolí pomocí parseru spaCy Exercise 12: Spolehlivé porozumění přirozenému jazyku s rasa NLU Exercise 13: Rasa NLU Exercise 14: Rozpoznávání entit s minimem trénovacích dat

V této kapitole postavíš osobního asistenta, který ti pomůže naplánovat výlet. Bude schopen reagovat na otázky jako „jsou v severní části města nějaké levné hotely?" tak, že prohledá hotelovou databázi a najde odpovídající výsledky.

Exercise 1: Virtuální asistenti a přístup k datům Exercise 2: Základy SQL

Aktuální cvičení

Exercise 3: SQL dotazy v Pythonu Exercise 4: Prozkoumávání databáze pomocí přirozeného jazyka Exercise 5: Sestavování dotazů z parametrů Exercise 6: Hledání hotelů pomocí vlastní funkce Exercise 7: Tvorba SQL dotazů z přirozeného jazyka Exercise 8: Postupné doplňování slotů a negace Exercise 9: Zpřesnění vyhledávání Exercise 10: Základní negace Exercise 11: Filtrování s vyloučenými sloty

Vše, co jsi dosud postavil/a, mapovalo záměry na akce a odpovědi bez uchovávání stavu. Je až překvapivé, jak daleko se s tím dá dojít! Ale pro vytváření sofistikovanějších botů budeš vždy potřebovat přidat stavovost. To je přesně to, co tady uděláš – postavíš chatbota, který uživatelům pomáhá objednávat kávu.

Exercise 1: Proč je stavovost klíčová Exercise 2: Vyplňování formuláře Exercise 3: Kontextové otázky Exercise 4: Jak reagovat na odmítnutí Exercise 5: Kladení otázek a řazení odpovědí do fronty Exercise 6: Čekající akce I Exercise 7: Čekající akce II Exercise 8: Přechody ve stavu čekání Exercise 9: Dáme to dohromady – část 1 Exercise 10: Vše dohromady II Exercise 11: Hranice výzkumu dialogových systémů Exercise 12: Generování textu pomocí neuronových sítí Exercise 13: Gratulujeme!