Träna spaCy-modeller

spaCy-modeller fungerar utmärkt för allmänna NLP-användningsfall, till exempel att dela upp ett dokument i meningar, förstå meningssyntax och extrahera namngivna entiteter. Ibland kan det dock finnas skäl att träna en spaCy-modell vidare.

När behöver du träna en spaCy-modell? Välj alla alternativ som stämmer.

Den här övningen är en del av kursen

Naturlig språkbehandling med spaCy

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

Naturlig språkbehandling med spaCy

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

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.

Exercise 1: Grunderna i naturlig språkbehandling (NLP)Exercise 2: Doc-behållaren i spaCy Exercise 3: NER-användningsfall Exercise 4: Tokenisering med spaCy Exercise 5: Grunderna i spaCy Exercise 6: Köra en spaCy-pipeline Exercise 7: Lemmatisering med spaCy Exercise 8: Meningssegmentering med spaCy Exercise 9: Lingvistiska särdrag i spaCy Exercise 10: Ordklasstaggning med spaCy Exercise 11: NER med spaCy Exercise 12: Textbearbetning med 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.

Exercise 1: Språkliga särdrag Exercise 2: Lingvistiska annotationer i spaCy Exercise 3: Ordbetydelseddisambiguation med spaCy Exercise 4: Beroendeparsning med spaCy Exercise 5: Introduktion till ordvektorer Exercise 6: spaCy-vokabulär Exercise 7: Ordvektorer i spaCy:s vokabulär Exercise 8: Ordvektorer och spaCy Exercise 9: Analogier och vektoroperationer Exercise 10: Projektion av ordvektorer Exercise 11: Liknande ord i ett vokabulär Exercise 12: Mäta semantisk likhet med spaCy Exercise 13: Doc-likhet med spaCy Exercise 14: Span-likhet med spaCy Exercise 15: Semantisk likhet för textklassificering

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.

Exercise 1: spaCy-pipelines Exercise 2: Lägga till komponenter i spaCy Exercise 3: Analysera pipelines i spaCy Exercise 4: spaCy EntityRuler Exercise 5: EntityRuler med en tom spaCy-modell Exercise 6: EntityRuler för NER Exercise 7: EntityRuler med flera mönster i spaCy Exercise 8: RegEx med spaCy Exercise 9: RegEx i Python Exercise 10: RegEx med EntityRuler i spaCy Exercise 11: spaCy Matcher och PhraseMatcher Exercise 12: Matcha ett enskilt ord i spaCy Exercise 13: PhraseMatcher i spaCy Exercise 14: Matchning med utökad syntax i 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.

Exercise 1: Anpassa spaCy-modeller Exercise 2: Träna spaCy-modeller

Aktuell övning

Exercise 3: Modellens prestanda på din data Exercise 4: spaCy:s träningsdataformat Exercise 5: Träningssteg Exercise 6: Annotering och förberedelse av träningsdata Exercise 7: Kompatibel träningsdata Exercise 8: Träning med spaCy Exercise 9: Förberedelsesteg inför träning Exercise 10: Träna en befintlig NER-modell Exercise 11: Träna en spaCy-modell från grunden Exercise 12: Avslutning