Формат обучающих данных в 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.

Это упражнение является частью курса

Обработка естественного языка с помощью spaCy

SkillTag.level.intermediateSkillTag.label

4.8+

613 reviews

Начать курс бесплатно

В этой главе вы познакомитесь с NLP и некоторыми его задачами — распознаванием именованных сущностей и чат-ботами на основе ИИ. Вы научитесь использовать мощную библиотеку spaCy для выполнения различных задач обработки естественного языка: токенизации, сегментации предложений, частеречной разметки и распознавания именованных сущностей.

Exercise 1: Основы обработки естественного языка (NLP)Exercise 2: Контейнер Doc в spaCy Exercise 3: Пример использования NER Exercise 4: Токенизация с помощью spaCy Exercise 5: Основы spaCy Exercise 6: Запуск конвейера spaCy Exercise 7: Лемматизация с помощью spaCy Exercise 8: Сегментация текста на предложения с помощью spaCy Exercise 9: Лингвистические признаки в spaCy Exercise 10: Разметка частей речи с помощью spaCy Exercise 11: Распознавание именованных сущностей с помощью spaCy Exercise 12: Обработка текста с помощью spaCy

Изучите лингвистические признаки, векторы слов, семантическое сходство, аналогии и операции с векторами слов. В этой главе вы узнаете, как использовать spaCy для извлечения векторов слов, классификации текстов по заданной теме и поиска семантически близких слов в корпусе или словаре модели spaCy.

Exercise 1: Лингвистические признаки Exercise 2: Лингвистические аннотации в spaCy Exercise 3: Разрешение лексической многозначности с помощью spaCy Exercise 4: Разбор зависимостей с помощью spaCy Exercise 5: Введение в векторные представления слов Exercise 6: Словарь spaCy Exercise 7: Векторы слов в словаре spaCy Exercise 8: Векторные представления слов и spaCy Exercise 9: Аналогии и векторные операции Exercise 10: Проекция векторов слов Exercise 11: Похожие слова в словаре Exercise 12: Измерение семантического сходства с помощью spaCy Exercise 13: Сходство документов с помощью spaCy Exercise 14: Сходство спанов в spaCy Exercise 15: Семантическое сходство для категоризации текста

Познакомьтесь с компонентами пайплайна spaCy, научитесь добавлять компоненты и анализировать NLP-пайплайн. Вы также изучите несколько подходов к извлечению информации на основе правил с использованием классов EntityRuler, Matcher и PhraseMatcher в spaCy, а также пакета RegEx для Python.

Exercise 1: Конвейеры spaCy Exercise 2: Добавление компонентов в конвейер spaCy Exercise 3: Анализ пайплайнов в spaCy Exercise 4: spaCy EntityRuler Exercise 5: EntityRuler с пустой моделью spaCy Exercise 6: EntityRuler для NER Exercise 7: EntityRuler с несколькими шаблонами в spaCy Exercise 8: RegEx и spaCy Exercise 9: RegEx в Python Exercise 10: RegEx с EntityRuler в spaCy Exercise 11: spaCy Matcher и PhraseMatcher Exercise 12: Поиск одного термина с помощью Matcher в spaCy Exercise 13: PhraseMatcher в spaCy Exercise 14: Расширенный синтаксис сопоставления в spaCy

Рассмотрите реальные сценарии, в которых модели spaCy могут давать ошибки, и научитесь дообучать их для повышения качества. Вы познакомитесь с этапами обучения в spaCy, освоите дообучение существующей модели и обучение с нуля, а также научитесь оценивать модель на этапе инференса.

Exercise 1: Настройка моделей spaCy Exercise 2: Обучение моделей spaCy Exercise 3: Качество работы модели на ваших данных Exercise 4: Формат обучающих данных в spaCy

Текущее упражнение

Exercise 5: Шаги обучения Exercise 6: Аннотирование данных и подготовка обучающей выборки Exercise 7: Совместимые обучающие данные Exercise 8: Обучение с помощью spaCy Exercise 9: Подготовка к обучению Exercise 10: Обучение существующей модели NER Exercise 11: Обучение модели spaCy с нуля Exercise 12: Подведение итогов