ขั้นตอนการทำงานของ NLP

NLP ช่วยให้คอมพิวเตอร์สามารถเข้าใจ ตีความ และสร้างภาษามนุษย์ได้ กระบวนการนี้ประกอบด้วยขั้นตอนสำคัญหลายขั้นตอนที่แปลงข้อความดิบให้กลายเป็นข้อมูลเชิงลึกที่มีความหมาย

จัดเรียงขั้นตอนของ NLP workflow ให้ถูกต้อง เพื่อทำความเข้าใจว่าเครื่องจักรประมวลผลภาษาอย่างไร

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การประมวลผลภาษาธรรมชาติ (NLP) ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การประมวลผลภาษาธรรมชาติ (NLP) ด้วย Python

SkillTag.level.intermediateSkillTag.label

4.9+

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

แบบฝึกหัดปัจจุบัน

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 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!