This chapter will introduce you to NLP, some of its use cases such as named-entity recognition and AI-powered chatbots. You’ll learn how to use the powerful spaCy library to perform various natural language processing tasks such as tokenization, sentence segmentation, POS tagging, and named entity recognition.

Natural Language Processing (NLP) basics

Doc container in spaCy

NER use case

Tokenization with spaCy

spaCy basics

Running a spaCy pipeline

Lemmatization with spaCy

Sentence segmentation with spaCy

Linguistic features in spaCy

POS tagging with spaCy

NER with spaCy

Text processing with spaCy

Introduction to NLP and spaCy

Learn about linguistic features, word vectors, semantic similarity, analogies, and word vector operations. In this chapter you’ll discover how to use spaCy to extract word vectors, categorize texts that are relevant to a given topic and find semantically similar terms to given words from a corpus or from a spaCy model vocabulary.

Dilbilimsel özellikler

Seçenekler

POS etiketleme

Bağımlılık ayrıştırma

Adlandırılmış varlık tanıma

spaCy’de dilbilimsel açıklamalar

spaCy ile sözcük anlamı ayrıştırma

spaCy ile bağımlılık çözümlemesi

Kelime vektörlerine giriş

spaCy söz varlığı

spaCy söz varlığında kelime vektörleri

Kelime vektörleri ve spaCy

airplane - air + ship = ?

fish - sea + bird = ?

arm - human + branch = ?

Benzetimler ve vektör işlemleri

Kelime vektörlerinin izdüşümü

Bir sözlükte benzer kelimeler

spaCy ile anlamsal benzerliği ölçme

spaCy ile Doc benzerliği

spaCy ile Span benzerliği

Metin kategorize etmek için anlamsal benzerlik

spaCy Linguistic Annotations and Word Vectors

Get familiar with spaCy pipeline components, how to add a pipeline component, and analyze the NLP pipeline. You will also learn about multiple approaches for rule-based information extraction using EntityRuler, Matcher, and PhraseMatcher classes in spaCy and RegEx Python package.

spaCy pipelines

Adding pipes in spaCy

Analyzing pipelines in spaCy

spaCy EntityRuler

EntityRuler with blank spaCy model

EntityRuler for NER

EntityRuler with multi-patterns in spaCy

RegEx with spaCy

RegEx in Python

RegEx with EntityRuler in spaCy

spaCy Matcher and PhraseMatcher

Matching a single term in spaCy

PhraseMatcher in spaCy

Matching with extended syntax in spaCy

Data Analysis with spaCy

Explore multiple real-world use cases where spaCy models may fail and learn how to train them further to improve model performance. You’ll be introduced to spaCy training steps and understand how to train an existing spaCy model or from scratch, and evaluate the model at the inference time.

Customizing spaCy models

Training spaCy models

Model performance on your data

spaCy training data format

Training steps

Annotation and preparing training data

Compatible training data

Training with spaCy

Training preparation steps

Train an existing NER model

Training a spaCy model from scratch

Wrap-up

Customizing spaCy Models

corona.json

Tokenizasyon, ayrıştırma ve adlandırılmış varlık tanıma gibi görevler için hızla büyüyen endüstri standardı NLP kütüphanesi spaCy’yi öğren. Doc ve Token gibi sınıfları kullanarak temel işlemlere hâkim ol, modelleri eğit. Desen eşleştirme ile terimler çıkar, özel işlem hattı bileşenleri oluştur ve NLP projelerin için gerçek dünya örneklerini ele al.


<h2>NLP için endüstri standardı olan spaCy ile tanışın</h2>
Bu kursta, hızla büyüyen endüstri standardı bir kütüphane olan spaCy'yi kullanarak tokenizasyon, cümle segmentasyonu, ayrıştırma ve adlandırılmış varlık tanıma gibi çeşitli doğal dil işleme görevlerini nasıl gerçekleştireceğinizi öğreneceksiniz. spaCy, çok çeşitli doğal dil işleme görevlerinde güçlü, kullanımı kolay ve üretime hazır özellikler sunar.

<h2>spaCy'nin Temel İşlemlerini Öğrenin</h2>
İlk olarak spaCy'nin temel işlemlerini ve bunları metinleri ayrıştırmak ve yapılandırılmamış verilerden bilgi çıkarmak için nasıl kullanacağınızı öğreneceksiniz. Ardından, Doc, Span ve Token gibi spaCy sınıflarıyla çalışacak ve kelime vektörlerini hesaplamak ve anlamsal benzerliği tahmin etmek için farklı spaCy bileşenlerini nasıl kullanacağınızı öğreneceksiniz.

<h2>SpaCy Modellerini Eğitin ve Desen Eşleştirme Hakkında Bilgi Edinin</h2>
Yapılandırılmamış verilerden EntityRuler, Matcher ve PhraseMatcher kullanarak verilen terimleri ve ifadeleri çıkarmak için basit ve karmaşık eşleştirme kalıpları yazma alıştırması yapacaksınız. Ayrıca, özel boru hattı bileşenleri oluşturmayı ve eğitim/değerlendirme verileri oluşturmayı da öğreneceksiniz. Buradan, spaCy modellerini eğitmeye ve bunları çıkarım için nasıl kullanacağınıza dalacaksınız. Kurs boyunca, gerçek dünya örnekleri üzerinde çalışacak ve kendi NLP projelerinizde spaCy kullanımı konusundaki bilgilerinizi pekiştireceksiniz.


Supervised Learning with scikit-learn

Python Toolbox

spaCy'nin temel işlemlerini öğrenin ve doğal dil işleme modelleri eğitin. Veriden bilgi çıkarın.

spaCy ile Natural Language Processing

SpaCy'nin temel işlemlerini öğrenin ve doğal dil işleme için modeller eğitin. Yapılandırılmamış verilerden bilgi çıkarın ve kalıpları eşleştirin.

Makine Öğrenimi Bilimcisi Python'da

Doğal Dil İşleme Python'da

Principal Data Scientist

Anlamsal benzerlik yöntemi

Benzerlik skoru

Token benzerliği

Span benzerliği

Doc benzerliği

Cümle benzerliği

Hadi pratik yapalım!

spaCy Linguistic Annotations and Word Vectors - spaCy ile anlamsal benzerliği ölçme

spaCy ile anlamsal benzerliği ölçme

Create Your Free Account