ComenzarEmpieza gratis

Inicio
Cursos
NLP avanzado con spaCy

Emparejamiento basado en reglas

Create Your Free Account

or

Email Address

Password

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

Este ejercicio forma parte del curso

NLP avanzado con spaCy

IntermedioNivel de habilidad

4.6+

Comienza el curso gratis

Este capítulo te introducirá a los conceptos básicos del procesamiento de texto con spaCy. Verás las estructuras de datos, cómo trabajar con modelos estadísticos y cómo usarlos para predecir rasgos lingüísticos en tu texto.

Exercise 1: Introducción a spaCy Exercise 2: Primeros pasos Exercise 3: Documents, spans and tokens Exercise 4: Atributos léxicos Exercise 5: Modelos estadísticos Exercise 6: Paquetes de modelos Exercise 7: Cargar modelos Exercise 8: Predicción de anotaciones lingüísticas Exercise 9: Predecir entidades con nombre en contexto Exercise 10: Emparejamiento basado en reglas

Ejercicio actual

Exercise 11: Uso de Matcher Exercise 12: Escribir patrones de coincidencia

En este capítulo, pondrás en práctica tus nuevas habilidades para extraer información específica de grandes volúmenes de texto. Aprenderás a sacar el máximo partido a las estructuras de datos de spaCy y a combinar de forma eficaz enfoques estadísticos y basados en reglas para el análisis de texto.

Exercise 1: Estructuras de datos (1)Exercise 2: De cadenas a hashes Exercise 3: Vocabulario, hashes y lexemas Exercise 4: Estructuras de datos (2)Exercise 5: Crear un Doc Exercise 6: Docs, spans y entidades desde cero Exercise 7: Buenas prácticas con estructuras de datos Exercise 8: Vectores de palabras y similitud Exercise 9: Inspeccionar vectores de palabras Exercise 10: Comparar similitudes Exercise 11: Combinar modelos y reglas Exercise 12: Depurar patrones (1)Exercise 13: Depuración de patrones (2)Exercise 14: Coincidencia de frases eficiente Exercise 15: Extracción de países y relaciones

Este capítulo te mostrará todo lo que necesitas saber sobre la canalización de procesamiento de spaCy. Verás qué ocurre por debajo cuando procesas un texto, cómo escribir tus propios componentes y añadirlos a la canalización, y cómo usar atributos personalizados para incorporar tus propios metadatos a documentos, spans y tokens.

Exercise 1: Pipelines de procesamiento Exercise 2: ¿Qué ocurre cuando llamas a nlp?Exercise 3: Inspeccionar la canalización Exercise 4: Componentes personalizados de la canalización Exercise 5: Casos de uso de componentes personalizados Exercise 6: Componentes sencillos Exercise 7: Componentes complejos Exercise 8: Atributos de extensión Exercise 9: Configurar atributos de extensión (1)Exercise 10: Configurar atributos de extensión (2)Exercise 11: Entidades y extensiones Exercise 12: Componentes con extensiones Exercise 13: Escalado y rendimiento Exercise 14: Procesamiento por streams Exercise 15: Procesar datos con contexto Exercise 16: Procesamiento selectivo

En este capítulo, aprenderás a actualizar los modelos estadísticos de spaCy para adaptarlos a tu caso de uso; por ejemplo, para predecir un nuevo tipo de entidad en comentarios en línea. Escribirás tu propio bucle de entrenamiento desde cero y comprenderás los fundamentos de cómo funciona el entrenamiento, junto con consejos y buenas prácticas que pueden hacer que tus proyectos de NLP a medida tengan más éxito.

Exercise 1: Entrenar y actualizar modelos Exercise 2: Propósito del entrenamiento Exercise 3: Creación de datos de entrenamiento (1)Exercise 4: Creación de datos de entrenamiento (2)Exercise 5: El bucle de entrenamiento Exercise 6: Configurar la tubería Exercise 7: Crear un bucle de entrenamiento Exercise 8: Explorando el modelo Exercise 9: Buenas prácticas de entrenamiento Exercise 10: Buenos datos vs. malos datos Exercise 11: Entrenar varias etiquetas Exercise 12: Cierre