This chapter will introduce you to the basics of text processing with spaCy. You'll learn about the data structures, how to work with statistical models, and how to use them to predict linguistic features in your text.

Introduction to spaCy

Getting Started

Documents, spans and tokens

Lexical attributes

Statistical models

Model packages

Loading models

Predicting linguistic annotations

Predicting named entities in context

Rule-based matching

Using the Matcher

Writing match patterns

Finding words, phrases, names and concepts

In this chapter, you'll use your new skills to extract specific information from large volumes of text. You'll learn how to make the most of spaCy's data structures, and how to effectively combine statistical and rule-based approaches for text analysis.

Data Structures (1)

Strings to hashes

Vocab, hashes and lexemes

Data Structures (2)

Creating a Doc

Docs, spans and entities from scratch

Data structures best practices

Word vectors and similarity

Inspecting word vectors

Comparing similarities

Combining models and rules

Debugging patterns (1)

Debugging patterns (2)

Efficient phrase matching

Extracting countries and relationships

Large-scale data analysis with spaCy

This chapter will show you to everything you need to know about spaCy's processing pipeline. You'll learn what goes on under the hood when you process a text, how to write your own components and add them to the pipeline, and how to use custom attributes to add your own meta data to the documents, spans and tokens.

Processing pipelines

What happens when you call nlp?

Inspecting the pipeline

Custom pipeline components

Use cases for custom components

Simple components

Complex components

Extension attributes

Setting extension attributes (1)

Setting extension attributes (2)

Entities and extensions

Components with extensions

Scaling and performance

Processing streams

Processing data with context

Selective processing

Processing Pipelines

In this chapter, you'll learn how to update spaCy's statistical models to customize them for your use case – for example, to predict a new entity type in online comments. You'll write your own training loop from scratch, and understand the basics of how training works, along with tips and tricks that can make your custom NLP projects more successful.

Modelleri eğitme ve güncelleme

Eğitimin amacı

Eğitim verisi oluşturma (1)

Eğitim verisi oluşturma (2)

Eğitim döngüsü

Boru hattını kurma

Bir eğitim döngüsü oluşturma

Modeli keşfetmek

Eğitim için en iyi uygulamalar

İyi veri vs. kötü veri

Birden çok etiketle eğitim

Kapanış

Training a neural network model

Eğer çok miktarda metinle çalışıyorsan, bir süre sonra bu metinler hakkında daha fazla şey bilmek isteyeceksin. Örneğin, konu ne? Sözcükler bağlam içinde ne anlama geliyor? Kim kime ne yapıyor? Hangi şirket ve ürünlerden bahsediliyor? Hangi metinler birbirine benziyor? Bu derste, Python'da NLP için hızla endüstri standardı haline gelen spaCy kütüphanesini kullanarak, kural tabanlı ve Machine Learning yaklaşımlarını birleştirip gelişmiş doğal dil anlama sistemleri kurmayı öğreneceksin.

Introduction to Natural Language Processing in Python

SpaCy ile kural tabanlı ve makine öğrenimi yaklaşımlarıyla ileri düzey dil anlama sistemleri oluşturun.

spaCy ile İleri Düzey NLP

Kural tabanlı ve makine öğrenimi yaklaşımlarını kullanarak spaCy ile gelişmiş doğal dil anlama sistemleri oluşturmayı öğrenin.

İyi veri vs. kötü veri

spaCy ile İleri Düzey NLP

Uygulamalı interaktif egzersiz