Zpracování stop slov a interpunkce

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Zpracování přirozeného jazyka (NLP) v Pythonu

SkillTag.level.intermediateSkillTag.label

4.9+

Nauč se základy zpracování textu v oblasti zpracování přirozeného jazyka (NLP). Zvládneš techniky jako tokenizace, odstraňování stop slov a interpunkce a normalizace textu pomocí převodu na malá písmena, stemmingu a lemmatizace – vše pro přípravu textových dat k další analýze a získávání poznatků.

Exercise 1: Úvod do zpracování přirozeného jazyka Exercise 2: Tokenizace vět a slov Exercise 3: Postup zpracování v NLP Exercise 4: Zpracování stop slov a interpunkce

Aktuální cvičení

Exercise 5: Odstranění stop slov Exercise 6: Odstranění interpunkce Exercise 7: Techniky normalizace textu Exercise 8: Převod na malá písmena Exercise 9: Stemming Exercise 10: Lemmatizace

Přeměň surový text na výkonné numerické příznaky. Vytvoř reprezentace bag-of-words a TF-IDF pro zachycení důležitosti slov napříč dokumenty, a poté prozkoumej word embeddingy jako Word2Vec a GloVe k odhalení hlubokých sémantických vzorů. Vizualizuj frekvenci, relevanci a podobnost, aby tvá textová data ožila.

Exercise 1: Reprezentace Bag-of-Words Exercise 2: Sestavení slovníku z recenzí zákazníků Exercise 3: Převod textu na čísla pomocí BoW Exercise 4: Frekvenční analýza recenzí produktů Exercise 5: Vizualizace frekvencí slov Exercise 6: TF-IDF vektorizace Exercise 7: TF-IDF reprezentace zpětné vazby k produktům Exercise 8: Porovnání reprezentací BoW a TF-IDF Exercise 9: Embeddings Exercise 10: Zkoumání vztahů mezi slovy pomocí embeddingů Exercise 11: Vizualizace a porovnání word embeddings

Využij sílu předtrénovaných modelů k pokročilým úlohám klasifikace textu. Pomocí Hugging Face pipeline provedeš analýzu sentimentu, klasifikaci témat a inferenci v přirozeném jazyce. Vyhodnotíš sémantickou podobnost a gramatickou správnost pomocí nejmodernějších modelů – a to vše bez nutnosti budovat cokoliv od nuly.

Exercise 1: Hugging Face pipelines pro analýzu sentimentu Exercise 2: Analýza sentimentu recenze Exercise 3: Hromadná klasifikace více recenzí Exercise 4: Porovnání modelů na označených datech recenzí Exercise 5: Zero-shot klasifikace a QNLI Exercise 6: Zero-shot klasifikace zákaznických tiketů Exercise 7: Odpovídá text na otázku?Exercise 8: Podobnost otázek a gramatická správnost Exercise 9: Detekce duplicitních otázek Exercise 10: Kontrola gramatické správnosti

Ponoř se do jádra moderních NLP aplikací s technikami klasifikace tokenů a generování textu. Nauč se extrahovat smysluplné entity a gramatické struktury pomocí NER a PoS taggingu. Zvládneš jak extraktivní, tak abstraktivní zodpovídání otázek a prozkoumáš pokročilé generativní úlohy včetně sumarizace, překladu a jazykového modelování pomocí Hugging Face pipeline.

Exercise 1: Klasifikace tokenů Exercise 2: Rozpoznávání pojmenovaných entit v novinových titulcích Exercise 3: Tagování slovních druhů pro analýzu textu Exercise 4: Otázky a odpovědi Exercise 5: Odpovídání na otázky z popisů produktů Exercise 6: Generování přirozených odpovědí pomocí abstraktivní QA Exercise 7: Úlohy generování sekvencí Exercise 8: Shrnutí zpravodajských článků pro rychlý přehled Exercise 9: Překlad zákaznických recenzí do francouzštiny Exercise 10: Vytváření systému pro doplňování vyhledávání Exercise 11: Gratulujeme!