Inicio
Cursos
Introducción al procesamiento de lenguaje natural en Python

Tokenización avanzada con NLTK y regex

Este ejercicio forma parte del curso

Introducción al procesamiento de lenguaje natural en Python

IntermedioNivel de habilidad

4.7+

Este capítulo introducirá algunos conceptos básicos de NLP, como la tokenización de palabras y las expresiones regulares para ayudar a analizar el texto. También aprenderás a manejar texto no inglés y tokenización más difícil.

Exercise 1: Introducción a las expresiones regulares Exercise 2: ¿Qué patrón?Exercise 3: Práctica de expresiones regulares: re.split() y re.findall()Exercise 4: Introducción a la tokenización Exercise 5: Tokenización de palabras con NLTK Exercise 6: Más regex con re.search()Exercise 7: Tokenización avanzada con NLTK y regex

Ejercicio actual

Exercise 8: Selección de un tokenizador Exercise 9: Regex con tokenización NLTK Exercise 10: Tokenización no ASCII Exercise 11: Trazar la longitud de las palabras con NLTK Exercise 12: Práctica de representación

Este capítulo te presentará la identificación del tema, que podrás aplicar a cualquier texto que encuentres en la vida real. Utilizando los modelos básicos de NLP, identificarás los temas de los textos basándote en las frecuencias de los términos. Experimentarás y compararás dos métodos sencillos: bolsa de palabras y Tf-idf utilizando NLTK, y una nueva biblioteca Gensim.

Exercise 1: Recuentos de palabras con bolsa de palabras Exercise 2: Selector de bolsa de palabras Exercise 3: Creación de un contador con bolsa de palabras Exercise 4: Preprocesamiento de texto simple Exercise 5: Pasos del preprocesamiento de texto Exercise 6: Práctica de preprocesamiento de texto Exercise 7: Introducción a Gensim Exercise 8: ¿Qué son los vectores de palabras?Exercise 9: Creación y consulta de un corpus con Gensim Exercise 10: Bolsa de palabras Gensim Exercise 11: Tf-idf con Gensim Exercise 12: ¿Qué es tf-idf?Exercise 13: Tf-idf con Wikipedia

Este capítulo presentará un tema algo más avanzado: el reconocimiento de entidades nombradas. Aprenderás a identificar el quién, el qué y el dónde de tus textos utilizando modelos preentrenados en textos ingleses y no ingleses. También aprenderás a utilizar algunas bibliotecas nuevas, polyglot y spaCy, para añadirlas a tu caja de herramientas de NLP.

Exercise 1: Reconocimiento de entidades nombradas Exercise 2: NER con NLTK Exercise 3: Práctica de representación Exercise 4: Biblioteca de Stanford con NLTK Exercise 5: Introducción a SpaCy Exercise 6: Comparar NLTK con spaCy NER Exercise 7: spaCy NER Categorías Exercise 8: Multilingüe NER con políglota Exercise 9: Francés NER con políglota I Exercise 10: Francés NER con políglota II Exercise 11: Español NER con políglota

Aplicarás los elementos básicos aprendidos junto con algo de machine learning supervisado para construir un detector de noticias falsas. Empezarás aprendiendo las nociones básicas del machine learning supervisado y luego elegirás unas cuantas funciones importantes y probarás ideas para identificar y clasificar artículos de noticias falsas.

Exercise 1: Clasificación de noticias falsas mediante aprendizaje supervisado con NLP Exercise 2: ¿Qué posibles características?Exercise 3: Entrenamiento y pruebas Exercise 4: Creación de vectores de recuento de palabras con scikit-learn Exercise 5: CountVectorizer para la clasificación de textos Exercise 6: TfidfVectorizador para la clasificación de textos Exercise 7: Inspección de los vectores Exercise 8: Entrenamiento y pruebas de un modelo de clasificación con scikit-learn Exercise 9: Modelos de clasificación de textos Exercise 10: Entrenamiento y pruebas del modelo de "noticias falsas" con CountVectorizer Exercise 11: Entrenamiento y pruebas del modelo de "noticias falsas" con TfidfVectorizer Exercise 12: Simple NLP, problemas complejos Exercise 13: Mejora del modelo Exercise 14: Mejora de tu modelo Exercise 15: Inspección de tu modelo