Bab ini akan memperkenalkan Anda pada dasar-dasar pemrosesan teks dengan spaCy. Anda akan mempelajari struktur data, cara bekerja dengan model statistik, serta cara menggunakannya untuk memprediksi fitur linguistik dalam teks Anda.

Pengantar spaCy

Mulai

Dokumen, span, dan token

Atribut leksikal

Model statistik

Paket model

Memuat model

Memprediksi anotasi linguistik

Memprediksi entitas bernama dalam konteks

Pencocokan berbasis aturan

Menggunakan Matcher

Menulis pola pencocokan

Menemukan kata, frasa, nama, dan konsep

Pada bab ini, Anda akan menggunakan keterampilan baru untuk mengekstrak informasi spesifik dari volume teks yang besar. Anda akan belajar memaksimalkan struktur data spaCy, serta menggabungkan pendekatan statistik dan berbasis aturan secara efektif untuk analisis teks.

Struktur Data (1)

String menjadi hash

Vocab, hash, dan leksim

Struktur Data (2)

Membuat sebuah Doc

Doc, span, dan entitas dari awal

Praktik terbaik untuk struktur data

Vektor kata dan kemiripan

Menginspeksi vektor kata

Membandingkan kemiripan

Menggabungkan model dan aturan

Melacak galat pada pola (1)

Debugging pola (2)

Pencocokan frasa yang efisien

Mengekstrak negara dan relasi

Analisis data skala besar dengan spaCy

Bab ini akan menunjukkan segala hal yang perlu Anda ketahui tentang pipeline pemrosesan spaCy. Anda akan mempelajari apa yang terjadi di balik layar saat memproses teks, cara menulis komponen Anda sendiri dan menambahkannya ke pipeline, serta cara menggunakan atribut kustom untuk menambahkan meta data Anda sendiri ke dokumen, span, dan token.

Pipeline pemrosesan

Apa yang terjadi saat Anda memanggil nlp?

Memeriksa pipeline

Komponen pipeline kustom

Kasus penggunaan komponen kustom

Komponen sederhana

Komponen kompleks

Atribut ekstensi

Menyetel atribut ekstensi (1)

Menyetel atribut ekstensi (2)

Entitas dan ekstensi

Komponen dengan ekstensi

Skalabilitas dan performa

Pemrosesan streaming

Memproses data dengan konteks

Pemrosesan selektif

Pipeline Pemrosesan

Dalam bab ini, Anda akan belajar cara memperbarui model statistik spaCy agar sesuai dengan kasus penggunaan Anda – misalnya, untuk memprediksi jenis entitas baru dalam komentar online. Anda akan menulis loop pelatihan Anda sendiri dari awal, dan memahami dasar-dasar cara kerja pelatihan, beserta kiat dan trik yang dapat membuat proyek NLP kustom Anda lebih berhasil.

Melatih dan memperbarui model

Tujuan pelatihan

Membuat data pelatihan (1)

Membuat data pelatihan (2)

Siklus pelatihan

Menyiapkan pipeline

Membangun training loop

Mengeksplorasi model

Praktik terbaik dalam pelatihan

Data yang baik vs. data yang buruk

Melatih beberapa label

Penutup

Melatih model jaringan saraf

Jika Anda bekerja dengan banyak teks, pada akhirnya Anda akan ingin mengetahui lebih banyak tentang teks tersebut. Misalnya, apa topiknya? Apa makna kata-kata dalam konteks? Siapa melakukan apa kepada siapa? Perusahaan dan produk apa yang disebutkan? Teks mana yang mirip satu sama lain? Dalam kursus ini, Anda akan belajar menggunakan spaCy, pustaka standar industri yang berkembang pesat untuk NLP di Python, untuk membangun sistem pemahaman bahasa alami tingkat lanjut, dengan pendekatan berbasis aturan dan Machine Learning.

Introduction to Natural Language Processing in Python

Pelajari cara menggunakan spaCy untuk membangun sistem pemahaman bahasa alami dengan aturan & pembelajaran mesin.

NLP Lanjutan dengan spaCy

Data yang baik vs. data yang buruk

NLP Lanjutan dengan spaCy

Latihan interaktif langsung