Sarcini de generare a secvențelor

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Acest exercițiu face parte din cursul

Procesarea Limbajului Natural (NLP) în Python

SkillTag.level.intermediateSkillTag.label

4.9+

Învață elementele esențiale ale procesării textului în Procesarea Limbajului Natural (NLP). Stăpânește tehnici precum tokenizarea, eliminarea cuvintelor de oprire și a punctuației, precum și normalizarea textului prin conversie la litere mici, stemming și lematizare, pentru a pregăti datele text în vederea analizei și extragerii de informații.

Exercise 1: Introducere în procesarea limbajului natural Exercise 2: Tokenizarea propozițiilor și a cuvintelor Exercise 3: Fluxul de lucru NLP Exercise 4: Gestionarea cuvintelor de oprire și a punctuației Exercise 5: Eliminarea cuvintelor de stop Exercise 6: Eliminarea punctuației Exercise 7: Tehnici de normalizare a textului Exercise 8: Conversia la litere mici Exercise 9: Stemming Exercise 10: Lematizare

Transformă textul brut în caracteristici numerice utile. Creează reprezentări Bag-of-Words și TF-IDF pentru a surprinde importanța cuvintelor în documente, apoi explorează embeddings pentru cuvinte, precum Word2Vec și GloVe, pentru a descoperi tipare semantice profunde. Vizualizează frecvența, relevanța și similaritatea pentru a da viață datelor tale text.

Exercise 1: Reprezentarea Bag-of-Words Exercise 2: Construirea vocabularului din recenziile clienților Exercise 3: Transformarea textului în numere cu BoW Exercise 4: Analiza frecvenței recenziilor de produse Exercise 5: Vizualizarea frecvențelor cuvintelor Exercise 6: Vectorizare TF-IDF Exercise 7: Reprezentarea TF-IDF a feedback-ului despre produse Exercise 8: Compararea reprezentărilor BoW și TF-IDF Exercise 9: Încorporări (Embeddings)Exercise 10: Explorarea relațiilor dintre cuvinte cu încorporări Exercise 11: Vizualizarea și compararea încorporărilor de cuvinte

Valorifică puterea modelelor pre-antrenate pentru a realiza sarcini avansate de clasificare a textului. Folosește pipeline-uri Hugging Face pentru analiza sentimentelor, clasificarea pe teme și inferența în limbaj natural. Evaluează similaritatea semantică și corectitudinea gramaticală cu modele de ultimă generație, fără a construi nimic de la zero.

Exercise 1: Pipeline-uri Hugging Face pentru analiza sentimentelor Exercise 2: Analiza sentimentului unei recenzii Exercise 3: Clasificarea în lot a mai multor recenzii Exercise 4: Compararea modelelor pe date de recenzii etichetate Exercise 5: Clasificare zero-shot și QNLI Exercise 6: Clasificare zero-shot a tichetelor de suport Exercise 7: Textul răspunde la întrebare?Exercise 8: Similaritatea întrebărilor și corectitudinea gramaticală Exercise 9: Detectarea întrebărilor duplicate Exercise 10: Verificarea corectitudinii gramaticale

Aprofundează nucleul aplicațiilor NLP moderne prin tehnici de clasificare a token-urilor și generare de text. Învață să extragi entități relevante și structuri gramaticale folosind NER și etichete PoS. Stăpânește atât răspunsul extractiv, cât și cel abstractiv la întrebări și explorează sarcini avansate de generare, inclusiv sumarizare, traducere și modelare a limbajului, cu ajutorul pipeline-urilor Hugging Face.

Exercise 1: Clasificarea token-urilor Exercise 2: Identificarea entităților denumite în titlurile știrilor Exercise 3: Etichетаrea părților de vorbire pentru analiza textului Exercise 4: Răspuns la întrebări Exercise 5: Răspunsuri la întrebări din descrierile produselor Exercise 6: Generarea de răspunsuri naturale cu QA abstractiv Exercise 7: Sarcini de generare a secvențelor

Exercițiul curent

Exercise 8: Rezumarea articolelor de știri pentru informare rapidă Exercise 9: Traducerea recenziilor clienților în franceză Exercise 10: Construirea unui sistem de completare a căutărilor Exercise 11: Felicitări