CommencerCommencer gratuitement

Page d’accueil
Cours
NLP avancé avec spaCy

Vecteurs de mots et similarité

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.

Cet exercice fait partie du cours

NLP avancé avec spaCy

IntermédiaireNiveau de compétence

4.6+

Commencer le cours gratuitement

Ce chapitre vous présentera les bases du traitement de texte avec spaCy. Vous découvrirez les structures de données, comment utiliser des modèles statistiques et comment les exploiter pour prédire des caractéristiques linguistiques dans vos textes.

Exercise 1: Introduction à spaCy Exercise 2: Premiers pas Exercise 3: Documents, spans et tokens Exercise 4: Attributs lexicaux Exercise 5: Modèles statistiques Exercise 6: Paquets de modèles Exercise 7: Charger des modèles Exercise 8: Prédire des annotations linguistiques Exercise 9: Prédire des entités nommées en contexte Exercise 10: Appariement basé sur des règles Exercise 11: Utiliser le Matcher Exercise 12: Écrire des motifs de correspondance

Dans ce chapitre, vous utiliserez vos nouvelles compétences pour extraire des informations précises à partir de grands volumes de texte. Vous apprendrez à tirer le meilleur parti des structures de données de spaCy et à combiner efficacement approches statistiques et règles pour l’analyse de texte.

Exercise 1: Structures de données (1)Exercise 2: Chaînes vers hachages Exercise 3: Vocabulaire, hachages et lexèmes Exercise 4: Structures de données (2)Exercise 5: Créer un Doc Exercise 6: Docs, spans et entités à partir de zéro Exercise 7: Bonnes pratiques pour les structures de données Exercise 8: Vecteurs de mots et similarité

Exercice en cours

Exercise 9: Inspecter les vecteurs de mots Exercise 10: Comparer des similarités Exercise 11: Combiner modèles et règles Exercise 12: Déboguer des motifs (1)Exercise 13: Déboguer des motifs (2)Exercise 14: Appariement de phrases efficace Exercise 15: Extraction des pays et des relations

Ce chapitre vous expliquera tout ce qu’il faut savoir sur le pipeline de traitement de spaCy. Vous verrez ce qui se passe en coulisses lors du traitement d’un texte, comment écrire vos propres composants et les ajouter au pipeline, et comment utiliser des attributs personnalisés pour enrichir de métadonnées les documents, spans et tokens.

Exercise 1: Pipelines de traitement Exercise 2: Que se passe-t-il quand vous appelez nlp ?Exercise 3: Examiner le pipeline Exercise 4: Composants personnalisés de pipeline Exercise 5: Cas d’usage pour les composants personnalisés Exercise 6: Composants simples Exercise 7: Composants complexes Exercise 8: Attributs d’extension Exercise 9: Définir des attributs d’extension (1)Exercise 10: Définir des attributs d’extension (2)Exercise 11: Entités et extensions Exercise 12: Composants avec extensions Exercise 13: Passage à l’échelle et performances Exercise 14: Flux de traitement Exercise 15: Traiter des données avec contexte Exercise 16: Traitement sélectif

Dans ce chapitre, vous apprendrez à mettre à jour les modèles statistiques de spaCy pour les adapter à votre cas d’usage – par exemple, pour prédire un nouveau type d’entité dans des commentaires en ligne. Vous écrirez votre propre boucle d’entraînement depuis zéro et comprendrez les bases du fonctionnement de l’entraînement, ainsi que des conseils et bonnes pratiques pour réussir vos projets NLP sur mesure.

Exercise 1: Entraîner et mettre à jour des modèles Exercise 2: Objectif de l’entraînement Exercise 3: Créer des données d’entraînement (1)Exercise 4: Créer des données d’entraînement (2)Exercise 5: La boucle d’entraînement Exercise 6: Configuration du pipeline Exercise 7: Créer une boucle d’entraînement Exercise 8: Explorer le modèle Exercise 9: Bonnes pratiques d’entraînement Exercise 10: Bonnes données vs. mauvaises données Exercise 11: Entraîner plusieurs libellés Exercise 12: Pour conclure