Przepływ pracy NLP

NLP umożliwia komputerom rozumienie, interpretowanie i generowanie języka naturalnego. Proces ten składa się z kilku kluczowych etapów, które przekształcają surowy tekst w wartościowe informacje.

Uporządkuj etapy przepływu pracy NLP we właściwej kolejności, aby zobaczyć, jak maszyny przetwarzają język.

To ćwiczenie jest częścią kursu

Przetwarzanie języka naturalnego (NLP) w Pythonie

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Przetwarzanie języka naturalnego (NLP) w Pythonie

SkillTag.level.intermediateSkillTag.label

4.9+

Rozpocznij kurs za darmo

Poznaj podstawy przetwarzania tekstu w obszarze przetwarzania języka naturalnego (NLP). Opanuj techniki takie jak tokenizacja, usuwanie stop słów i znaków interpunkcyjnych oraz normalizacja tekstu za pomocą zamiany na małe litery, stemmingu i lematyzacji – po to, aby przygotować dane tekstowe do dalszej analizy i wydobywania wniosków.

Exercise 1: Wprowadzenie do przetwarzania języka naturalnego Exercise 2: Tokenizacja zdań i słów Exercise 3: Przepływ pracy NLP

Bieżące ćwiczenie

Exercise 4: Obsługa stop słów i znaków interpunkcyjnych Exercise 5: Usuwanie stopwords Exercise 6: Usuwanie interpunkcji Exercise 7: Techniki normalizacji tekstu Exercise 8: Zamiana na małe litery Exercise 9: Stemming Exercise 10: Lematyzacja

Przekształć surowy tekst w użyteczne cechy numeryczne. Twórz reprezentacje bag-of-words i TF-IDF, które oddają wagę poszczególnych słów w dokumentach, a następnie poznaj embeddingi słów, takie jak Word2Vec i GloVe, by odkryć głębokie wzorce semantyczne. Wizualizuj częstotliwość, istotność i podobieństwo, aby nadać swoim danym tekstowym nowy wymiar.

Exercise 1: Reprezentacja Bag-of-Words Exercise 2: Budowanie słownika na podstawie recenzji klientów Exercise 3: Przekształcanie tekstu na liczby za pomocą BoW Exercise 4: Analiza częstotliwości recenzji produktów Exercise 5: Wizualizacja częstości słów Exercise 6: Wektoryzacja TF-IDF Exercise 7: Reprezentacja TF-IDF opinii o produktach Exercise 8: Porównanie reprezentacji BoW i TF-IDF Exercise 9: Osadzenia (embeddings)Exercise 10: Odkrywanie relacji między słowami za pomocą osadzeń Exercise 11: Wizualizacja i porównywanie osadzeń słów

Wykorzystaj wytrenowane modele do zaawansowanych zadań klasyfikacji tekstu. Korzystaj z potoków Hugging Face do analizy sentymentu, klasyfikacji tematycznej i wnioskowania w języku naturalnym. Oceniaj podobieństwo semantyczne i poprawność gramatyczną za pomocą najnowocześniejszych modeli – bez konieczności budowania czegokolwiek od podstaw.

Exercise 1: Potoki Hugging Face do analizy sentymentu Exercise 2: Analiza sentymentu recenzji Exercise 3: Klasyfikowanie wsadowe wielu recenzji Exercise 4: Porównywanie modeli na oznaczonych danych z recenzjami Exercise 5: Klasyfikacja zero-shot i QNLI Exercise 6: Klasyfikacja zero-shot zgłoszeń do pomocy technicznej Exercise 7: Czy tekst odpowiada na pytanie?Exercise 8: Podobieństwo pytań i poprawność gramatyczna Exercise 9: Wykrywanie zduplikowanych pytań Exercise 10: Sprawdzanie poprawności gramatycznej

Wejdź w sedno nowoczesnych zastosowań NLP dzięki technikom klasyfikacji tokenów i generowania tekstu. Naucz się wydobywać encje i struktury gramatyczne za pomocą NER i tagowania części mowy (PoS). Opanuj zarówno ekstrakcyjne, jak i abstrakcyjne odpowiadanie na pytania, a także poznaj zaawansowane zadania generowania tekstu – w tym streszczanie, tłumaczenie i modelowanie języka – z użyciem potoków Hugging Face.

Exercise 1: Klasyfikacja tokenów Exercise 2: Wykrywanie nazwanych encji w nagłówkach wiadomości Exercise 3: Tagowanie części mowy w analizie tekstu Exercise 4: Odpowiadanie na pytania Exercise 5: Odpowiadanie na pytania na podstawie opisów produktów Exercise 6: Generowanie naturalnych odpowiedzi z abstrakcyjnym QA Exercise 7: Zadania generowania sekwencji Exercise 8: Streszczanie artykułów prasowych dla szybkiego przeglądu Exercise 9: Tłumaczenie recenzji klientów na język francuski Exercise 10: Budowanie systemu autouzupełniania wyszukiwania Exercise 11: Gratulacje