Măsurarea similarității semantice cu spaCy

Create Your Free Account

or

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 cu spaCy

SkillTag.level.intermediateSkillTag.label

4.8+

613 reviews

Începe cursul gratuit

Acest capitol te va introduce în NLP și în câteva dintre cazurile sale de utilizare, precum recunoașterea entităților denumite și chatboții bazați pe inteligență artificială. Vei învăța cum să folosești puternica bibliotecă spaCy pentru a realiza diverse sarcini de procesare a limbajului natural, cum ar fi tokenizarea, segmentarea propozițiilor, marcarea POS și recunoașterea entităților denumite.

Exercise 1: Bazele procesării limbajului natural (NLP)Exercise 2: Containerul Doc în spaCy Exercise 3: Cazuri de utilizare NER Exercise 4: Tokenizare cu spaCy Exercise 5: Noțiuni de bază despre spaCy Exercise 6: Rularea unui pipeline spaCy Exercise 7: Lematizare cu spaCy Exercise 8: Segmentarea propozițiilor cu spaCy Exercise 9: Caracteristici lingvistice în spaCy Exercise 10: Etichetarea POS cu spaCy Exercise 11: NER cu spaCy Exercise 12: Procesarea textului cu spaCy

Descoperă caracteristicile lingvistice, vectorii de cuvinte, similaritatea semantică, analogiile și operațiile cu vectori de cuvinte. În acest capitol vei afla cum să folosești spaCy pentru a extrage vectori de cuvinte, a categoriza texte relevante pentru un anumit subiect și a găsi termeni similari semantic față de cuvinte date dintr-un corpus sau din vocabularul unui model spaCy.

Exercise 1: Caracteristici lingvistice Exercise 2: Adnotări lingvistice în spaCy Exercise 3: Dezambiguizarea sensului cuvintelor cu spaCy Exercise 4: Analiza dependențelor cu spaCy Exercise 5: Introducere în vectorii de cuvinte Exercise 6: Vocabularul spaCy Exercise 7: Vectori de cuvinte în vocabularul spaCy Exercise 8: Vectori de cuvinte și spaCy Exercise 9: Analogii și operații cu vectori Exercise 10: Proiecția vectorilor de cuvinte Exercise 11: Cuvinte similare într-un vocabular Exercise 12: Măsurarea similarității semantice cu spaCy

Exercițiul curent

Familiarizează-te cu componentele pipeline-ului spaCy, cu modul de adăugare a unei componente și cu analiza pipeline-ului NLP. Vei învăța, de asemenea, mai multe abordări pentru extragerea de informații bazată pe reguli, folosind clasele EntityRuler, Matcher și PhraseMatcher din spaCy, precum și pachetul Python RegEx.

Exercise 1: Pipeline-uri spaCy Exercise 2: Adăugarea de pipe-uri în spaCy Exercise 3: Analiza pipeline-urilor în spaCy Exercise 4: spaCy EntityRuler Exercise 5: EntityRuler cu un model spaCy gol Exercise 6: EntityRuler pentru NER Exercise 7: EntityRuler cu mai multe șabloane în spaCy Exercise 8: RegEx cu spaCy Exercise 9: RegEx în Python Exercise 10: RegEx cu EntityRuler în spaCy Exercise 11: spaCy Matcher și PhraseMatcher Exercise 12: Potrivirea unui singur termen în spaCy Exercise 13: PhraseMatcher în spaCy Exercise 14: Potrivire cu sintaxă extinsă în spaCy

Explorează mai multe cazuri de utilizare din lumea reală în care modelele spaCy pot eșua și învață cum să le antrenezi în continuare pentru a îmbunătăți performanța. Vei fi introdus în etapele de antrenare spaCy și vei înțelege cum să antrenezi un model spaCy existent sau de la zero, precum și cum să evaluezi modelul la momentul inferenței.

Exercise 1: Personalizarea modelelor spaCy Exercise 2: Antrenarea modelelor spaCy Exercise 3: Performanța modelului pe datele tale Exercise 4: Formatul datelor de antrenament în spaCy Exercise 5: Pașii antrenării Exercise 6: Adnotarea și pregătirea datelor de antrenament Exercise 7: Date de antrenament compatibile Exercise 8: Antrenarea cu spaCy Exercise 9: Pași de pregătire pentru antrenament Exercise 10: Antrenează un model NER existent Exercise 11: Antrenarea unui model spaCy de la zero Exercise 12: Rezumat