1. Lernen
    2. /
  2. Kurse
    3. /
  3. Einführung in die natürliche Sprachverarbeitung in Python
  • 1

    Reguläre Ausdrücke & Wort-Tokenisierung

    Kostenlos

    In diesem Kapitel werden einige grundlegende Konzepte von NLP vorgestellt, z. B. die Tokenisierung von Wörtern und reguläre Ausdrücke, die beim Parsen von Text helfen. Außerdem lernst du, wie du mit nicht-englischen Texten und schwierigeren Tokenisierungen umgehst, die du vielleicht findest.

  • 2

    Einfache Themenfindung

    Dieses Kapitel führt dich in die Themenfindung ein, die du auf jeden Text anwenden kannst, der dir in der Natur begegnet. Mithilfe grundlegender NLP Modelle identifizierst du Themen aus Texten anhand von Begriffshäufigkeiten. Du wirst zwei einfache Methoden ausprobieren und vergleichen: Bag-of-Words und Tf-idf mit NLTK und einer neuen Bibliothek Gensim.

  • 3

    Erkennung benannter Personen

    In diesem Kapitel geht es um ein etwas fortgeschritteneres Thema: die Erkennung von Namen (named-entity). Du lernst, wie du das "Wer", "Was" und "Wo" deiner Texte mit Hilfe von vortrainierten Modellen für englische und nicht-englische Texte identifizieren kannst. Außerdem lernst du, wie du die neuen Bibliotheken polyglot und spaCy nutzen kannst, um deinen NLP Werkzeugkasten zu erweitern.

  • 4

    Erstellung eines "Fake News"-Klassifikators

    Du wendest die Grundlagen des Gelernten zusammen mit überwachtem maschinellem Lernen an, um einen "Fake News"-Detektor zu entwickeln. Du lernst zunächst die Grundlagen des überwachten maschinellen Lernens und wählst dann einige wichtige Merkmale aus und testest Ideen zur Identifizierung und Klassifizierung von Fake-News-Artikeln.

Initializing

Übung

Vergleich von NLTK mit spaCy NER

Mit demselben Text, den du in der ersten Übung dieses Kapitels verwendet hast, siehst du nun die Ergebnisse mit dem NER Annotator von SpaCy. Wie werden sie sich vergleichen?

Der Artikel wurde als article vorgeladen. Um die Ausführungszeiten zu minimieren, wirst du beim Laden des SpaCy-Modells aufgefordert, das Schlüsselwortargument disable=['tagger', 'parser', 'matcher'] anzugeben, da du dich in dieser Übung nur für entity interessierst.

Anweisungen

100 XP
  • Importiere spacy.
  • Lade das Modell 'en_core_web_sm' mit spacy.load(). Gib die zusätzlichen Schlüsselwortargumente disable=['tagger', 'parser', 'matcher'] an.
  • Erstelle ein spacy Dokumentenobjekt, indem du article an nlp() übergibst.
  • Verwende ent als Iteratorvariable, iteriere über die Entitäten von doc und drucke die Beschriftungen (ent.label_) und den Text (ent.text) aus.