In diesem Kapitel lernst du die Grundlagen der Textverarbeitung mit spaCy kennen. Du erfährst, wie die Datenstrukturen aufgebaut sind, wie du mit statistischen Modellen arbeitest und wie du damit linguistische Merkmale in deinen Texten vorhersagst.

Einführung in spaCy

Los geht’s

Dokumente, Spans und Tokens

Lexikalische Attribute

Statistische Modelle

Modellpakete

Modelle laden

Linguistische Annotationen vorhersagen

Benannte Entitäten im Kontext vorhersagen

Regelbasiertes Matching

Den Matcher verwenden

Match-Pattern schreiben

Wörter, Ausdrücke, Namen und Konzepte finden

In diesem Kapitel nutzt du deine neuen Fähigkeiten, um gezielte Informationen aus großen Textmengen zu extrahieren. Du lernst, spaCys Datenstrukturen optimal zu nutzen und statistische sowie regelbasierte Ansätze effektiv für die Textanalyse zu kombinieren.

Datenstrukturen (1)

Strings zu Hashes

Vocab, Hashes und Lexeme

Datenstrukturen (2)

Ein Doc erstellen

Docs, Spans und Entitäten von Grund auf

Best Practices für Datenstrukturen

Wortvektoren und Ähnlichkeit

Wortvektoren untersuchen

Ähnlichkeiten vergleichen

Modelle und Regeln kombinieren

Patterns debuggen (1)

Patterns debuggen (2)

Effizientes Phrasen-Matching

Länder und Beziehungen extrahieren

Analyse großer Datenmengen mit spaCy

Dieses Kapitel zeigt dir alles, was du über spaCys Verarbeitungspipeline wissen musst. Du lernst, was beim Verarbeiten eines Textes unter der Haube passiert, wie du eigene Komponenten schreibst und zur Pipeline hinzufügst und wie du mit benutzerdefinierten Attributen eigene Metadaten zu Documents, Spans und Tokens hinzufügst.

Verarbeitungspipelines

Was passiert, wenn du nlp aufrufst?

Die Pipeline untersuchen

Eigene Pipeline-Komponenten

Einsatzszenarien für benutzerdefinierte Komponenten

Einfache Komponenten

Komplexe Komponenten

Erweiterungsattribute

Extension-Attribute setzen (1)

Erweiterungsattribute setzen (2)

Entitäten und Erweiterungen

Komponenten mit Erweiterungen

Skalierung und Performance

Verarbeitungs-Streams

Daten mit Kontext verarbeiten

Selektive Verarbeitung

In diesem Kapitel lernst du, wie du spaCys statistische Modelle aktualisierst und für deinen Anwendungsfall anpasst – zum Beispiel, um in Online-Kommentaren einen neuen Entitätstyp vorherzusagen. Du schreibst deine eigene Trainingsschleife von Grund auf und verstehst die Grundlagen des Trainings – plus Tipps und Tricks, die deine individuellen NLP-Projekte erfolgreicher machen.

Modelle trainieren und aktualisieren

Zweck des Trainings

Trainingsdaten erstellen (1)

Trainingsdaten erstellen (2)

Die Trainingsschleife

Die Pipeline einrichten

Einen Training-Loop erstellen

Das Modell erkunden

Best Practices fürs Training

Gute Daten vs. schlechte Daten

Training mit mehreren Labels

Zum Abschluss

Ein neuronales Netzwerkmodell trainieren

Wenn du mit vielen Texten arbeitest, willst du irgendwann mehr darüber wissen. Worum geht es zum Beispiel? Was bedeuten Wörter im Kontext? Wer macht was mit wem? Welche Unternehmen und Produkte werden erwähnt? Welche Texte sind einander ähnlich? In diesem Kurs lernst du, wie du mit spaCy – einer schnell wachsenden Branchenstandard‑Bibliothek für NLP in Python – fortgeschrittene Systeme zum Sprachverständnis aufbaust, und zwar mit regelbasierten Ansätzen und mit Machine Learning.

Introduction to Natural Language Processing in Python

Lerne, spaCy für fortgeschrittene Sprachsysteme mit Regeln und maschinellem Lernen zu nutzen.

Fortgeschrittenes NLP mit spaCy

Modellpakete

Fortgeschrittenes NLP mit spaCy

Interaktive Übung