Det här kapitlet introducerar dig till NLP och några av dess användningsområden, till exempel igenkänning av namngivna entiteter och AI-drivna chattbotar. Du lär dig att använda det kraftfulla spaCy-biblioteket för olika uppgifter inom naturlig språkbehandling, som tokenisering, meningssegmentering, ordklasstaggning och igenkänning av namngivna entiteter.

Grunderna i naturlig språkbehandling (NLP)

Doc-behållaren i spaCy

NER-användningsfall

Tokenisering med spaCy

Grunderna i spaCy

Köra en spaCy-pipeline

Lemmatisering med spaCy

Meningssegmentering med spaCy

Lingvistiska särdrag i spaCy

Ordklasstaggning med spaCy

NER med spaCy

Textbearbetning med spaCy

Introduktion till NLP och spaCy

Lär dig om språkliga särdrag, ordvektorer, semantisk likhet, analogier och ordvektoroperationer. I det här kapitlet får du se hur du använder spaCy för att extrahera ordvektorer, kategorisera texter som är relevanta för ett givet ämne och hitta semantiskt liknande termer till givna ord från ett korpus eller från ett spaCy-modellvokabulär.

Språkliga särdrag

Lingvistiska annotationer i spaCy

Ordbetydelseddisambiguation med spaCy

Beroendeparsning med spaCy

Introduktion till ordvektorer

spaCy-vokabulär

Ordvektorer i spaCy:s vokabulär

Ordvektorer och spaCy

Analogier och vektoroperationer

Projektion av ordvektorer

Liknande ord i ett vokabulär

Mäta semantisk likhet med spaCy

Doc-likhet med spaCy

Span-likhet med spaCy

Semantisk likhet för textklassificering

Språkliga annoteringar och ordvektorer i spaCy

Bekanta dig med spaCy:s pipeline-komponenter, hur du lägger till en pipeline-komponent och hur du analyserar NLP-pipelinen. Du lär dig också om flera metoder för regelbaserad informationsutvinning med klasserna EntityRuler, Matcher och PhraseMatcher i spaCy samt Python-paketet RegEx.

spaCy-pipelines

Lägga till komponenter i spaCy

Analysera pipelines i spaCy

spaCy EntityRuler

EntityRuler med en tom spaCy-modell

EntityRuler för NER

EntityRuler med flera mönster i spaCy

RegEx med spaCy

RegEx i Python

RegEx med EntityRuler i spaCy

spaCy Matcher och PhraseMatcher

Matcha ett enskilt ord i spaCy

PhraseMatcher i spaCy

Matchning med utökad syntax i spaCy

Dataanalys med spaCy

Utforska flera verkliga scenarier där spaCy-modeller kan misslyckas och lär dig hur du tränar dem vidare för att förbättra modellprestandan. Du introduceras till spaCy:s träningssteg och får förståelse för hur du tränar en befintlig spaCy-modell eller bygger en från grunden, samt hur du utvärderar modellen vid inferens.

Anpassa spaCy-modeller

Träna spaCy-modeller

Modellens prestanda på din data

spaCy:s träningsdataformat

Träningssteg

Annotering och förberedelse av träningsdata

Kompatibel träningsdata

Träning med spaCy

Förberedelsesteg inför träning

Träna en befintlig NER-modell

Träna en spaCy-modell från grunden

Avslutning

Anpassning av spaCy-modeller

corona.json

Lär dig spaCy, det snabbväxande branschstandard-biblioteket för NLP, för uppgifter som tokenisering, parsning och igenkänning av namngivna entiteter. Behärska grundläggande operationer, använd klasser som Doc och Token, och träna modeller. Extrahera termer med mönstermatchning, skapa anpassade pipeline-komponenter och arbeta med verkliga exempel för dina NLP-projekt.


<h2>Möt spaCy, en branschstandard för NLP</h2>
I den här kursen lär du dig hur du använder spaCy, ett snabbt växande branschstandardbibliotek, för att utföra olika uppgifter inom naturlig språkbehandling, såsom tokenisering, meningssegmentering, parsning och igenkänning av namngivna entiteter. spaCy kan erbjuda kraftfulla, lättanvända och produktionsklara funktioner för ett brett spektrum av uppgifter inom naturlig språkbehandling.

<h2>Lär dig de centrala funktionerna i spaCy</h2>
Du kommer att börja med att lära dig de grundläggande funktionerna i spaCy och hur du använder dem för att analysera text och extrahera information från ostrukturerad data. Sedan kommer du att arbeta med spaCys klasser, såsom Doc, Span och Token, och lära dig hur du använder olika spaCy-komponenter för att beräkna ordvektorer och förutsäga semantisk likhet.

<h2>Träna spaCy-modeller och lär dig om mönstermatchning</h2>
Du kommer att öva på att skriva enkla och komplexa matchningsmönster för att extrahera givna termer och fraser med hjälp av EntityRuler, Matcher och PhraseMatcher från ostrukturerad data. Du kommer också att lära dig hur du skapar anpassade pipeline-komponenter och skapar tränings- och utvärderingsdata. Därifrån kommer du att fördjupa dig i att träna spaCy-modeller och hur du använder dem för inferens. Under hela kursen kommer du att arbeta med verkliga exempel och befästa din förståelse för att använda spaCy i dina egna NLP-projekt.


Supervised Learning with scikit-learn

Python Toolbox

Behärska spaCys kärnoperationer och träna modeller för NLP. Extrahera information och matcha mönster.

Naturlig språkbehandling med spaCy

Bemästra spaCy:s kärnoperationer och träna modeller för naturlig språkbehandling. Extrahera information från ostrukturerade data och identifiera mönster.

Avslutning

Create Your Free Account