Hugging Face pipelines สำหรับการวิเคราะห์ความรู้สึก

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.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การประมวลผลภาษาธรรมชาติ (NLP) ด้วย Python

SkillTag.level.intermediateSkillTag.label

4.9+

769 reviews

เริ่มคอร์สฟรี

เรียนรู้พื้นฐานการประมวลผลข้อความใน NLP เชี่ยวชาญเทคนิคต่าง ๆ เช่น tokenization การกำจัด stop word และเครื่องหมายวรรคตอน รวมถึงการทำให้ข้อความเป็นมาตรฐานด้วย lowercasing, stemming และ lemmatization เพื่อเตรียมข้อมูลข้อความสำหรับการวิเคราะห์และดึงข้อมูลเชิงลึกในขั้นต่อไป

Exercise 1: การประมวลผลภาษาธรรมชาติเบื้องต้น Exercise 2: การแบ่งโทเค็นระดับประโยคและคำ Exercise 3: ขั้นตอนการทำงานของ NLP Exercise 4: การจัดการ Stop Words และเครื่องหมายวรรคตอน Exercise 5: การลบ stop words Exercise 6: การลบเครื่องหมายวรรคตอน Exercise 7: เทคนิคการ Normalize ข้อความ Exercise 8: การแปลงเป็นตัวพิมพ์เล็ก Exercise 9: Stemming Exercise 10: Lemmatization

แปลงข้อความดิบให้เป็นฟีเจอร์เชิงตัวเลขที่มีประสิทธิภาพ สร้างการแทนค่าแบบ Bag-of-Words และ TF-IDF เพื่อจับความสำคัญของคำในเอกสาร จากนั้นสำรวจ word embeddings อย่าง Word2Vec และ GloVe เพื่อค้นหารูปแบบความหมายเชิงลึก พร้อมทั้งแสดงภาพความถี่ ความเกี่ยวข้อง และความคล้ายคลึงของข้อมูลข้อความ

Exercise 1: การแทนค่าแบบ Bag-of-Words Exercise 2: สร้าง Vocabulary จากรีวิวของลูกค้า Exercise 3: แปลงข้อความเป็นตัวเลขด้วย BoW Exercise 4: การวิเคราะห์ความถี่ของรีวิวสินค้า Exercise 5: การแสดงภาพความถี่ของคำ Exercise 6: TF-IDF Vectorization Exercise 7: การแทนค่าด้วย TF-IDF สำหรับ feedback ของผลิตภัณฑ์Exercise 8: เปรียบเทียบการแทนค่าแบบ BoW และ TF-IDF Exercise 9: Embeddings Exercise 10: การสำรวจความสัมพันธ์ระหว่างคำด้วย Embeddings Exercise 11: การแสดงภาพและเปรียบเทียบ Word Embeddings

นำโมเดลที่ผ่านการฝึกมาแล้วมาใช้ในงานจำแนกข้อความขั้นสูง ใช้ Hugging Face pipelines สำหรับการวิเคราะห์ความรู้สึก การจำแนกหัวข้อ และการอนุมานภาษาธรรมชาติ ประเมินความคล้ายคลึงเชิงความหมายและความถูกต้องทางไวยากรณ์ด้วยโมเดลล่าสุด โดยไม่ต้องสร้างโมเดลขึ้นมาเอง

Exercise 1: Hugging Face pipelines สำหรับการวิเคราะห์ความรู้สึก

แบบฝึกหัดปัจจุบัน

Exercise 2: วิเคราะห์ความรู้สึกจากรีวิว Exercise 3: จำแนกรีวิวหลายรายการพร้อมกัน Exercise 4: การเปรียบเทียบโมเดลบนข้อมูลรีวิวที่มีป้ายกำกับ Exercise 5: Zero-shot classification และ QNLI Exercise 6: Zero-shot classification สำหรับ support ticket Exercise 7: ข้อความตอบคำถามได้หรือไม่?Exercise 8: ความคล้ายคลึงของคำถามและความถูกต้องทางไวยากรณ์Exercise 9: ตรวจจับคำถามที่ซ้ำกัน Exercise 10: การตรวจสอบความถูกต้องทางไวยากรณ์

เจาะลึกแกนกลางของแอปพลิเคชัน NLP สมัยใหม่ด้วยเทคนิคการจำแนก token และการสร้างข้อความ เรียนรู้การสกัด entity และโครงสร้างทางไวยากรณ์ด้วย NER และ PoS tagging ฝึกทั้งการตอบคำถามแบบ extractive และ abstractive และสำรวจงานการสร้างข้อความขั้นสูง เช่น การสรุปความ การแปลภาษา และ language modeling ผ่าน Hugging Face pipelines

Exercise 1: การจำแนกประเภท Token Exercise 2: การระบุ named entities ในพาดหัวข่าว Exercise 3: การติด Part of Speech tag เพื่อวิเคราะห์ข้อความ Exercise 4: การถาม-ตอบ Exercise 5: ตอบคำถามจากคำอธิบายสินค้า Exercise 6: สร้างคำตอบที่เป็นธรรมชาติด้วย Abstractive QA Exercise 7: งานการสร้างลำดับข้อความ Exercise 8: สรุปข่าวเพื่อให้ได้ใจความสำคัญอย่างรวดเร็ว Exercise 9: แปลรีวิวของลูกค้าเป็นภาษาฝรั่งเศส Exercise 10: สร้างระบบเติมคำค้นหาอัตโนมัติ Exercise 11: ยินดีด้วย!