In dit hoofdstuk maak je kennis met NLP, enkele toepassingsgebieden zoals named entity recognition en AI-aangedreven chatbots. Je leert de krachtige spaCy-bibliotheek gebruiken voor diverse Natural Language Processing-taken zoals tokenization, zinssegmentatie, POS-tagging en named entity recognition.

Basis van Natural Language Processing (NLP)

Doc-container in spaCy

Gebruiksscenario van NER

Tokenization met spaCy

spaCy-basics

Een spaCy-pijplijn uitvoeren

Lemmatization met spaCy

Zinssegmentatie met spaCy

Taalkenmerken in spaCy

POS-tagging met spaCy

NER met spaCy

Tekstverwerking met spaCy

Introductie tot NLP en spaCy

Leer over taalkundige kenmerken, woordvectoren, semantische gelijkenis, analogieën en bewerkingen met woordvectoren. In dit hoofdstuk ontdek je hoe je met spaCy woordvectoren extraheert, teksten categoriseert die relevant zijn voor een bepaald onderwerp en semantisch vergelijkbare termen vindt voor opgegeven woorden uit een corpus of uit de woordenschat van een spaCy-model.

Linguïstische kenmerken

Linguïstische annotaties in spaCy

Woordbetekenis-ontleding met spaCy

Dependency parsing met spaCy

Introductie tot woordvectoren

spaCy-woordenschat

Woordvectoren in de spaCy-woordenschat

Woordvectoren en spaCy

Analogieën en vectorbewerkingen

Projectie van woordvectoren

Soortgelijke woorden in een vocabulaire

Semantische overeenkomsten meten met spaCy

Doc-overeenkomst met spaCy

Span-overeenkomst met spaCy

Semantische gelijkenis voor het categoriseren van tekst

Taalkundige annotaties en woordvectoren in spaCy

Maak kennis met spaCy-pipelinecomponenten, hoe je een pipelinecomponent toevoegt en analyseer de NLP-pipeline. Je leert ook meerdere aanpakken voor regelgebaseerde informatie-extractie met de EntityRuler-, Matcher- en PhraseMatcher-klassen in spaCy en het Python-pakket RegEx.

spaCy-pijplijnen

Pijplijnen toevoegen in spaCy

Pipelines in spaCy analyseren

spaCy EntityRuler

EntityRuler met een lege spaCy‑model

EntityRuler voor NER

EntityRuler met meerdere patronen in spaCy

RegEx met spaCy

RegEx in Python

RegEx met EntityRuler in spaCy

spaCy Matcher en PhraseMatcher

Eén term matchen in spaCy

PhraseMatcher in spaCy

Matchen met uitgebreide syntax in spaCy

Gegevensanalyse met spaCy

Verken meerdere praktijkgevallen waarin spaCy-modellen kunnen falen en leer hoe je ze verder traint om de modelprestaties te verbeteren. Je maakt kennis met de trainingsstappen van spaCy en begrijpt hoe je een bestaand spaCy-model of een model vanaf nul traint en het model tijdens inference evalueert.

spaCy-modellen aanpassen

spaCy-modellen trainen

Modelprestaties op je eigen data

spaCy-trainingsdataformaat

Trainingsstappen

Annoteren en trainingsdata voorbereiden

Compatibele trainingsdata

Trainen met spaCy

Stappen ter voorbereiding van training

Train een bestaand NER-model

Een spaCy-model vanaf nul trainen

Afronding

corona.json

Leer spaCy, de snelgroeiende industriestandaard NLP-bibliotheek, voor taken zoals tokenization, parsing en named entity recognition. Beheers kernoperaties, gebruik klassen zoals Doc en Token en train modellen. Extraheer termen met pattern matching, maak aangepaste pipelinecomponenten en werk met praktijkvoorbeelden voor je NLP-projecten.


<h2>Maak kennis met spaCy, een standaard voor NLP in de industrie</h2>
In deze cursus leer je hoe je spaCy kunt gebruiken, een snelgroeiende bibliotheek die de standaard is in de branche, om allerlei taken op het gebied van natuurlijke taalverwerking uit te voeren, zoals tokenisatie, zinsegmentatie, parsing en herkenning van benoemde entiteiten. spaCy biedt krachtige, gebruiksvriendelijke en productieklaar functies voor een breed scala aan taken op het gebied van natuurlijke taalverwerking.

<h2>Leer de basis van spaCy</h2>
Je begint met het leren van de belangrijkste functies van spaCy en hoe je die kunt gebruiken om tekst te ontleden en info uit ongestructureerde gegevens te halen. Daarna ga je aan de slag met de klassen van spaCy, zoals Doc, Span en Token, en leer je hoe je verschillende spaCy-componenten kunt gebruiken om woordvectoren te berekenen en semantische overeenkomsten te voorspellen.

<h2>Train spaCy-modellen en leer meer over patroonherkenning</h2>
Je gaat oefenen met het schrijven van simpele en complexe matchingpatronen om bepaalde termen en zinnen uit ongestructureerde data te halen met behulp van EntityRuler, Matcher en PhraseMatcher. Je leert ook hoe je aangepaste pijplijncomponenten kunt maken en trainings-/evaluatiegegevens kunt creëren. Van daaruit ga je aan de slag met het trainen van spaCy-modellen en hoe je ze kunt gebruiken voor inferentie. Tijdens de cursus werk je aan praktijkvoorbeelden en leer je hoe je spaCy kunt gebruiken in je eigen NLP-projecten.


Supervised Learning with scikit-learn

Python Toolbox

Beheers de basis van spaCy en train modellen voor NLP. Haal info uit ongestructureerde data.

Natural Language Processing met spaCy

Leer de belangrijkste functies van spaCy en train modellen voor natuurlijke taalverwerking. Haal info uit ongestructureerde data en zoek overeenkomsten.

spaCy-pijplijnen

Create Your Free Account