NLP-arbetsflöde

NLP gör det möjligt för datorer att förstå, tolka och generera mänskligt språk. Processen består av flera viktiga steg som omvandlar råtext till meningsfulla insikter.

Placera stegen i NLP-arbetsflödet i rätt ordning för att förstå hur maskiner behandlar språk.

Den här övningen är en del av kursen

Natural Language Processing (NLP) i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Natural Language Processing (NLP) i Python

SkillTag.level.intermediateSkillTag.label

4.9+

Starta kursen gratis

Lär dig grunderna i textbearbetning inom Natural Language Processing (NLP). Du får öva på tekniker som tokenisering, borttagning av stoppord och skiljetecken samt textnormalisering med gemener, stemming och lemmatisering – för att förbereda textdata för vidare analys.

Exercise 1: Introduktion till naturlig språkbehandling Exercise 2: Tokenisering av meningar och ord Exercise 3: NLP-arbetsflöde

Aktuell övning

Exercise 4: Hantering av stoppord och skiljetecken Exercise 5: Ta bort stoppord Exercise 6: Ta bort skiljetecken Exercise 7: Textnormaliseringsmetoder Exercise 8: Omvandling till gemener Exercise 9: Stemming Exercise 10: Lemmatisering

Omvandla råtext till användbara numeriska särdrag. Skapa bag-of-words- och TF-IDF-representationer för att fånga ordens betydelse i olika dokument, och utforska sedan ordembeddings som Word2Vec och GloVe för att hitta djupare semantiska mönster. Visualisera frekvens, relevans och likhet för att ge din textdata liv.

Exercise 1: Bag-of-Words-representation Exercise 2: Bygg ett ordförråd från kundrecensioner Exercise 3: Omvandla text till tal med BoW Exercise 4: Frekvensanalys av produktrecensioner Exercise 5: Visualisera ordfrekvenser Exercise 6: TF-IDF-vektorisering Exercise 7: TF-IDF-representation av produktrecensioner Exercise 8: Jämföra BoW- och TF-IDF-representationer Exercise 9: Inbäddningar (Embeddings)Exercise 10: Utforska ordrelationer med inbäddningar Exercise 11: Visualisering och jämförelse av ordinbäddningar

Använd förtränade modeller för avancerade textklassificeringsuppgifter. Arbeta med Hugging Face-pipelines för sentimentanalys, ämnesklassificering och naturlig språkinferens. Utvärdera semantisk likhet och grammatisk korrekthet med moderna modeller – utan att behöva bygga något från grunden.

Exercise 1: Hugging Face-pipelines för sentimentanalys Exercise 2: Analysera sentimentet i en recension Exercise 3: Klassificera flera recensioner i ett batch Exercise 4: Jämföra modeller på märkt recensionsdata Exercise 5: Zero-shot-klassificering och QNLI Exercise 6: Zero-shot-klassificering av supportärenden Exercise 7: Besvarar texten frågan?Exercise 8: Frågors likhet och grammatisk korrekthet Exercise 9: Identifiera duplicerade frågor Exercise 10: Kontrollera grammatisk korrekthet

Fördjupa dig i kärnan av moderna NLP-tillämpningar med tokenklassificering och textgenerering. Lär dig att extrahera entiteter och grammatiska strukturer med NER och PoS-taggning. Öva på både extraktiv och abstrakt frågebesvarande, och utforska avancerade genereringsuppgifter som sammanfattning, översättning och språkmodellering med Hugging Face-pipelines.

Exercise 1: Tokenklassificering Exercise 2: Identifiera namngivna entiteter i nyhetsrubriker Exercise 3: Ordklasstaggning för textanalys Exercise 4: Frågesvar Exercise 5: Besvara frågor från produktbeskrivningar Exercise 6: Generera naturliga svar med abstrakt QA Exercise 7: Sekvensgenereringsuppgifter Exercise 8: Sammanfatta nyhetsartiklar för snabb överblick Exercise 9: Översätt kundrecensioner till franska Exercise 10: Bygga ett system för sökförslag Exercise 11: Grattis