Příklad použití NER

NLP má široké uplatnění v různých odvětvích – například v analýze sentimentu, rozpoznávání pojmenovaných entit nebo chatbotech.

Je následující definice rozpoznávání pojmenovaných entit správná?

_„Rozpoznávání pojmenovaných entit spočívá v identifikaci a kategorizaci entit v textovém řetězci."

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

Aktuální cvičení

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 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