Questo capitolo ti introdurrà alle basi dell’elaborazione del testo con spaCy. Imparerai le strutture dati, come lavorare con i modelli statistici e come usarli per prevedere le caratteristiche linguistiche nel tuo testo.

Introduzione a spaCy

Per iniziare

Documenti, span e token

Attributi lessicali

Modelli statistici

Pacchetti dei modelli

Caricare i modelli

Prevedere annotazioni linguistiche

Prevedere le entità nominate nel contesto

Corrispondenza basata su regole

Usare il Matcher

Scrivere pattern di matching

Trovare parole, frasi, nomi e concetti

In questo capitolo userai le nuove competenze per estrarre informazioni specifiche da grandi volumi di testo. Imparerai a sfruttare al meglio le strutture dati di spaCy e a combinare in modo efficace approcci statistici e basati su regole per l’analisi del testo.

Strutture dati (1)

Stringhe in hash

Vocab, hash e lessemi

Strutture dati (2)

Creare un Doc

Doc, span ed entità da zero

Best practice per le strutture dati

Vettori di parole e similarità

Ispezionare i word vector

Confrontare le similarità

Combinare modelli e regole

Debug dei pattern (1)

Debug di pattern (2)

Corrispondenza di frasi efficiente

Estrazione di paesi e relazioni

Analisi dei dati su larga scala con spaCy

Questo capitolo ti mostrerà tutto ciò che devi sapere sulla pipeline di elaborazione di spaCy. Imparerai cosa succede dietro le quinte quando elabori un testo, come scrivere i tuoi componenti e aggiungerli alla pipeline, e come usare attributi personalizzati per aggiungere metadati a documenti, span e token.

Pipeline di elaborazione

Cosa succede quando chiami nlp?

Esplorare la pipeline

Componenti personalizzati della pipeline

Casi d'uso dei componenti personalizzati

Componenti semplici

Componenti complessi

Attributi di estensione

Impostare gli attributi di estensione (1)

Impostare attributi di estensione (2)

Entità ed estensioni

Componenti con estensioni

Scalabilità e prestazioni

Flussi di elaborazione

Elaborare dati con contesto

Elaborazione selettiva

In questo capitolo imparerai come aggiornare i modelli statistici di spaCy per adattarli al tuo caso d’uso – ad esempio, per prevedere un nuovo tipo di entità nei commenti online. Scriverai il tuo ciclo di addestramento da zero e capirai le basi di come funziona l’addestramento, insieme a suggerimenti e buone pratiche per rendere i tuoi progetti NLP personalizzati più efficaci.

Addestrare e aggiornare i modelli

Scopo dell'addestramento

Creare dati di training (1)

Creare dati di training (2)

Il ciclo di training

Configurare la pipeline

Creare un training loop

Esplorare il modello

Best practice per l'addestramento

Dati buoni vs. dati scarsi

Addestrare più etichette

Ricapitolo

Addestrare un modello di rete neurale

Se lavori con molti testi, prima o poi vorrai saperne di più. Ad esempio: di cosa parlano? Cosa significano le parole nel contesto? Chi fa cosa a chi? Quali aziende e prodotti sono menzionati? Quali testi sono simili tra loro? In questo corso imparerai a usare spaCy, una libreria per NLP in Python sempre più diffusa nel settore, per creare sistemi avanzati di comprensione del linguaggio naturale, utilizzando sia approcci basati su regole sia di Machine Learning.

Introduction to Natural Language Processing in Python

Impara a usare spaCy per creare sistemi avanzati di comprensione del linguaggio naturale.

NLP avanzato con spaCy

Dati buoni vs. dati scarsi

NLP avanzato con spaCy

esercizio interattivo pratico