Trénování modelů spaCy

Modely spaCy pokrývají širokou škálu obecných NLP úloh, jako je rozdělování dokumentu na věty, analýza větné syntaxe nebo extrakce pojmenovaných entit. Někdy ale potřebuješ model spaCy dotrénovat.

Kdy je trénování modelu spaCy potřeba? Vyber všechny správné odpovědi.

Toto cvičení je součástí kurzu

Zpracování přirozeného jazyka s knihovnou spaCy

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Zpracování přirozeného jazyka s knihovnou spaCy

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Tato kapitola tě uvede do světa NLP a jeho typických použití – například rozpoznávání pojmenovaných entit nebo chatbotů s umělou inteligencí. Naučíš se pracovat s výkonnou knihovnou spaCy a provádět různé úlohy zpracování přirozeného jazyka: tokenizaci, segmentaci vět, značkování slovních druhů i rozpoznávání pojmenovaných entit.

Exercise 1: Základy zpracování přirozeného jazyka (NLP)Exercise 2: Kontejner Doc v spaCy Exercise 3: Příklad použití NER Exercise 4: Tokenizace pomocí spaCy Exercise 5: Základy spaCy Exercise 6: Spuštění pipeline v spaCy Exercise 7: Lemmatizace pomocí spaCy Exercise 8: Segmentace vět pomocí spaCy Exercise 9: Jazykové rysy v spaCy Exercise 10: POS tagging pomocí spaCy Exercise 11: NER se spaCy Exercise 12: Zpracování textu pomocí spaCy

Prozkoumáš lingvistické vlastnosti, slovní vektory, sémantickou podobnost, analogie a operace se slovními vektory. V této kapitole zjistíš, jak pomocí spaCy extrahovat slovní vektory, kategorizovat texty relevantní k danému tématu a vyhledávat sémanticky podobné výrazy ke zvoleným slovům z korpusu nebo ze slovníku modelu spaCy.

Exercise 1: Jazykové vlastnosti Exercise 2: Lingvistické anotace v spaCy Exercise 3: Rozlišování významů slov pomocí spaCy Exercise 4: Dependency parsing se spaCy Exercise 5: Úvod do slovních vektorů Exercise 6: Slovník spaCy Exercise 7: Slovní vektory ve slovníku spaCy Exercise 8: Vektory slov a spaCy Exercise 9: Analogie a vektorové operace Exercise 10: Projekce word vektorů Exercise 11: Podobná slova ve slovníku Exercise 12: Měření sémantické podobnosti pomocí spaCy Exercise 13: Podobnost dokumentů pomocí spaCy Exercise 14: Podobnost úseků (Span) v spaCy Exercise 15: Sémantická podobnost pro kategorizaci textu

Seznámíš se s komponentami pipeline ve spaCy, naučíš se přidávat nové komponenty a analyzovat NLP pipeline. Dále poznáš různé přístupy k extrakci informací na základě pravidel – pomocí tříd EntityRuler, Matcher a PhraseMatcher ve spaCy a balíčku RegEx pro Python.

Exercise 1: spaCy pipelines Exercise 2: Přidávání komponent do pipeline v spaCy Exercise 3: Analýza pipeline v spaCy Exercise 4: spaCy EntityRuler Exercise 5: EntityRuler s prázdným modelem spaCy Exercise 6: EntityRuler pro NER Exercise 7: EntityRuler s více vzory v spaCy Exercise 8: RegEx se spaCy Exercise 9: RegEx v Pythonu Exercise 10: RegEx s EntityRuler v spaCy Exercise 11: spaCy Matcher a PhraseMatcher Exercise 12: Hledání jednoho výrazu pomocí spaCy Exercise 13: PhraseMatcher v spaCy Exercise 14: Shoda s rozšířenou syntaxí v spaCy

Prozkoumáš reálné situace, ve kterých modely spaCy selhávají, a naučíš se je dále trénovat, aby podávaly lepší výsledky. Projdeš si kroky trénování v spaCy, pochopíš, jak dotrénovat existující model nebo natrénovat nový od nuly, a naučíš se model vyhodnocovat při inferenci.

Exercise 1: Přizpůsobení modelů spaCy Exercise 2: Trénování modelů spaCy

Aktuální cvičení

Exercise 3: Výkon modelu na tvých datech Exercise 4: Formát trénovacích dat v spaCy Exercise 5: Kroky trénování Exercise 6: Anotace a příprava trénovacích dat Exercise 7: Kompatibilní tréninková data Exercise 8: Trénování s spaCy Exercise 9: Příprava kroků před trénováním Exercise 10: Trénování existujícího NER modelu Exercise 11: Trénování modelu spaCy od nuly Exercise 12: Shrnutí