This chapter will introduce you to NLP, some of its use cases such as named-entity recognition and AI-powered chatbots. You’ll learn how to use the powerful spaCy library to perform various natural language processing tasks such as tokenization, sentence segmentation, POS tagging, and named entity recognition.

Natural Language Processing (NLP) basics

Doc container in spaCy

NER use case

Tokenization with spaCy

spaCy basics

Running a spaCy pipeline

Lemmatization with spaCy

Sentence segmentation with spaCy

Linguistic features in spaCy

POS tagging with spaCy

NER with spaCy

Text processing with spaCy

Introduction to NLP and spaCy

Learn about linguistic features, word vectors, semantic similarity, analogies, and word vector operations. In this chapter you’ll discover how to use spaCy to extract word vectors, categorize texts that are relevant to a given topic and find semantically similar terms to given words from a corpus or from a spaCy model vocabulary.

Caratteristiche linguistiche

Opzioni

POS tagging

Dependency parsing

Named-entity recognition

Annotazioni linguistiche in spaCy

Disambiguazione del senso delle parole con spaCy

Dependency parsing con spaCy

Introduzione ai word vectors

Vocabolario di spaCy

Word vector nel vocabolario di spaCy

Vettori di parole e spaCy

airplane - air + ship = ?

fish - sea + bird = ?

arm - human + branch = ?

Analogie e operazioni sui vettori

Proiezione dei word vector

Parole simili in un vocabolario

Misurare la somiglianza semantica con spaCy

Similarità tra Doc con spaCy

Somiglianza tra span con spaCy

Similarità semantica per categorizzare il testo

spaCy Linguistic Annotations and Word Vectors

Get familiar with spaCy pipeline components, how to add a pipeline component, and analyze the NLP pipeline. You will also learn about multiple approaches for rule-based information extraction using EntityRuler, Matcher, and PhraseMatcher classes in spaCy and RegEx Python package.

spaCy pipelines

Adding pipes in spaCy

Analyzing pipelines in spaCy

spaCy EntityRuler

EntityRuler with blank spaCy model

EntityRuler for NER

EntityRuler with multi-patterns in spaCy

RegEx with spaCy

RegEx in Python

RegEx with EntityRuler in spaCy

spaCy Matcher and PhraseMatcher

Matching a single term in spaCy

PhraseMatcher in spaCy

Matching with extended syntax in spaCy

Data Analysis with spaCy

Explore multiple real-world use cases where spaCy models may fail and learn how to train them further to improve model performance. You’ll be introduced to spaCy training steps and understand how to train an existing spaCy model or from scratch, and evaluate the model at the inference time.

Customizing spaCy models

Training spaCy models

Model performance on your data

spaCy training data format

Training steps

Annotation and preparing training data

Compatible training data

Training with spaCy

Training preparation steps

Train an existing NER model

Training a spaCy model from scratch

Wrap-up

Customizing spaCy Models

corona.json

Impara spaCy, la libreria NLP standard di settore in rapida crescita, per attività come tokenizzazione, parsing e riconoscimento di entità nominate. Padroneggia le operazioni di base, usa classi come Doc e Token e addestra modelli. Estrai termini con il pattern matching, crea componenti personalizzati della pipeline e affronta esempi reali per i tuoi progetti di NLP.


<h2>Scopri spaCy, uno standard del settore per il NLP</h2>
In questo corso imparerai a usare spaCy, una libreria standard del settore in rapida crescita, per fare varie cose con il linguaggio naturale, tipo tokenizzazione, segmentazione delle frasi, analisi sintattica e riconoscimento delle entità denominate. spaCy offre funzionalità potenti, facili da usare e pronte per la produzione in un sacco di attività di elaborazione del linguaggio naturale.

<h2>Scopri le operazioni principali di spaCy</h2>
Inizierai imparando le operazioni principali di spaCy e come usarle per analizzare il testo ed estrarre informazioni da dati non strutturati. Poi, lavorerai con le classi di spaCy, come Doc, Span e Token, e imparerai a usare diversi componenti di spaCy per calcolare i vettori delle parole e prevedere la somiglianza semantica.

<h2>Addestra i modelli spaCy e scopri il pattern matching</h2>
Ti eserciterai a scrivere modelli di corrispondenza semplici e complessi per estrarre termini e frasi specifici usando EntityRuler, Matcher e PhraseMatcher da dati non strutturati. Imparerai anche come creare componenti personalizzati per la pipeline e come creare dati di addestramento/valutazione. Da lì, ti immergerai nell'addestramento dei modelli spaCy e imparerai come usarli per l'inferenza. Durante il corso, lavorerai su esempi reali e capirai meglio come usare spaCy nei tuoi progetti di elaborazione del linguaggio naturale.


Supervised Learning with scikit-learn

Python Toolbox

Padroneggia le operazioni di base di spaCy e allena modelli per l'elaborazione del linguaggio naturale.

Natural Language Processing con spaCy

Scienziato specializzato in apprendimento automatico in Python

Elaborazione del linguaggio naturale in Python

Principal Data Scientist

Measuring semantic similarity with spaCy

The semantic similarity method

Similarity score

Token similarity

Span similarity

Doc similarity

Sentence similarity

Let's practice!

spaCy Linguistic Annotations and Word Vectors - Misurare la somiglianza semantica con spaCy

Misurare la somiglianza semantica con spaCy

Create Your Free Account