本章將帶你認識 NLP，以及其應用情境，如命名實體辨識與以 AI 驅動的聊天機器人。你將學會使用功能強大的 spaCy 函式庫，執行各種自然語言處理任務，例如斷詞、句子切分、詞性標註與命名實體辨識。

自然語言處理（NLP）基礎

spaCy 的 Doc 容器

NER 的應用情境

使用 spaCy 進行斷詞（Tokenization）

spaCy 基礎

執行 spaCy pipeline

使用 spaCy 進行詞形還原（Lemmatization）

使用 spaCy 進行句子切分

spaCy 的語言學特徵

使用 spaCy 進行 POS 標註

使用 spaCy 進行 NER

使用 spaCy 進行文字處理

NLP 與 spaCy 入門

認識語言學特徵、詞向量、語意相似度、類比，以及詞向量運算。本章將示範如何使用 spaCy 擷取詞向量、將文件歸類到特定主題，並從語料庫或 spaCy 模型的詞彙中，找出與指定單字在語意上相近的詞。

語言學特徵

選項

詞性標註（POS tagging）

相依關係剖析（Dependency parsing）

命名實體辨識（Named-entity recognition）

spaCy 的語言學標註

使用 spaCy 進行詞義消歧（Word-sense Disambiguation）

使用 spaCy 進行相依關係解析

詞向量入門

spaCy 詞彙表

spaCy 詞彙庫中的詞向量

詞向量與 spaCy

airplane - air + ship = ？

fish - sea + bird = ？

arm - human + branch = ？

類比與向量運算

詞向量投影

字彙中的相似詞

使用 spaCy 測量語意相似度

使用 spaCy 計算 Doc 相似度

使用 spaCy 計算 Span 相似度

用語意相似度來分類文字

spaCy 的語言學標註與詞向量

熟悉 spaCy 的 pipeline 元件、如何新增元件，以及分析 NLP pipeline。你也會學到多種以規則為基礎的資訊擷取方法，例如使用 spaCy 的 EntityRuler、Matcher 與 PhraseMatcher 類別，以及 Python 的 RegEx 套件。

spaCy 管線（pipelines）

在 spaCy 中加入管線元件

分析 spaCy 中的管線

spaCy EntityRuler（實體規則器）

使用空白 spaCy 模型的 EntityRuler

用 EntityRuler 做 NER

在 spaCy 中使用多重樣式的 EntityRuler

搭配 spaCy 的 RegEx

Python 中的 RegEx

在 spaCy 中使用 EntityRuler 的 RegEx

spaCy Matcher 與 PhraseMatcher

在 spaCy 中比對單一詞彙

spaCy 的 PhraseMatcher

在 spaCy 中使用延伸語法進行比對

使用 spaCy 進行資料分析

探索多種真實情境中 spaCy 模型可能失效的案例，並學習如何進一步訓練以提升模型效能。你將認識 spaCy 的訓練流程，了解如何在現有 spaCy 模型上持續訓練或從零開始訓練，並在推論階段評估模型。

自訂 spaCy 模型

訓練 spaCy 模型

在你的資料上檢視模型效能

spaCy 訓練資料格式

訓練步驟

標註與準備訓練資料

相容的訓練資料

使用 spaCy 進行訓練

訓練前的準備步驟

訓練既有的 NER 模型

從零開始訓練一個 spaCy 模型

總結

corona.json

學習 spaCy——成長快速的業界標準 NLP 函式庫，用於斷詞（tokenization）、句法剖析與命名實體辨識等任務。熟悉核心操作，運用 Doc 與 Token 等類別，並進行模型訓練。透過樣式比對擷取術語、建立自訂的 pipeline 元件，並處理真實情境範例，強化你的 NLP 專案。


<h2>認識 spaCy：業界標準的自然語言處理工具</h2>
在本課程中，您將學習如何使用 spaCy 這個快速成長且業界標準的函式庫，來執行各種自然語言處理任務，例如斷詞、句子分割、語法分析以及命名實體辨識。spaCy 能夠為多種自然語言處理任務提供強大、易於使用且可直接應用於實務的功能。

<h2>學習 spaCy 的核心操作</h2>
您將從學習 spaCy 的核心操作開始，並了解如何運用這些操作來解析文本並從非結構化資料中擷取資訊。 接下來，您將學習如何使用 spaCy 的各種類別，例如 Doc、Span 和 Token，並了解如何運用不同的 spaCy 元件來計算詞向量及預測語意相似度。

<h2>訓練 spaCy 模型並學習模式比對</h2>
您將練習使用 EntityRuler、Matcher 和 PhraseMatcher，從非結構化資料中撰寫簡單與複雜的比對模式，以擷取指定的詞彙與片語。 您還將學習如何建立自訂的 pipeline 元件，以及如何建立訓練與評估資料。 接下來，您將深入學習如何訓練 spaCy 模型，以及如何運用這些模型進行推論。 在本課程中，您將透過實際案例操作，加深對如何在自己的NLP專案中運用spaCy的理解。


Supervised Learning with scikit-learn

Python Toolbox

掌握spaCy核心操作，訓練自然語言處理模型，從非結構化數據中提取信息並匹配模式。

使用 spaCy 的自然語言處理

精通 spaCy 核心操作，訓練自然語言處理模型。 從非結構化資料中擷取資訊並辨識模式。

機器學習科學家 使用 Python

自然語言處理 使用 Python

依照單字在句子中的功能與語境來分類單字

透過 token 之間的相依關係來分析句子結構

spaCy 的語言學標註

使用 spaCy 的自然語言處理

動手互動練習