Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Bosquejo detallado de la capacitación
- Introducción al PLN
- Comprensión del PLN
- Frameworks de PLN
- Aplicaciones comerciales del PLN
- Extracción de datos de la web
- Trabajo con diversas APIs para recuperar datos de texto
- Trabajo y almacenamiento de corpora textuales, guardando contenido y metadatos relevantes
- Ventajas de usar Python y curso intensivo de NLTK
- Comprensión práctica de un corpus y conjunto de datos
- ¿Por qué necesitamos un corpus?
- Análisis de corpus
- Tipos de atributos de datos
- Diferentes formatos de archivo para corpora
- Preparación de un conjunto de datos para aplicaciones de PLN
- Comprensión de la estructura de una frase
- Componentes del PLN
- Comprensión del lenguaje natural
- Análisis morfológico - raíz, palabra, token, etiquetas gramaticales
- Análisis sintáctico
- Análisis semántico
- Gestión de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus - texto en bruto
- Tokenización de oraciones
- Lematización para texto en bruto
- Raíz de palabras para texto en bruto
- Eliminación de palabras vacías
- Corpus - oraciones en bruto
- Tokenización de palabras
- Lematización de palabras
- Trabajo con matrices término-documento / documento-término
- Tokenización de texto en n-gramas y oraciones
- Preprocesamiento práctico y personalizado
- Corpus - texto en bruto
- Análisis de datos de texto
- Características básicas del PLN
- Analizadores y análisis sintáctico
- Etiquetado gramatical y etiquetadores
- Reconocimiento de entidades nombradas
- n-gramas
- Bolsa de palabras
- Características estadísticas del PLN
- Conceptos de álgebra lineal para PLN
- Teoría probabilística para PLN
- TF-IDF
- Vectorización
- codificadores y descodificadores
- Normalización
- Modelos probabilísticos
- Ingeniería avanzada de características y PLN
- Fundamentos de word2vec
- Componentes del modelo word2vec
- Lógica del modelo word2vec
- Extensión del concepto word2vec
- Aplicación del modelo word2vec
- Caso de estudio: Aplicación de la bolsa de palabras: resumen automático de texto usando algoritmos simplificados y verdaderos de Luhn
- Características básicas del PLN
- Agrupamiento documental, clasificación y modelado temático
- Agrupamiento documental y minería de patrones (agrupamiento jerárquico, k-medias, etc.)
- Comparación y clasificación de documentos usando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos usando Bayes ingenuo y Máxima Entropía
- Identificación de elementos importantes del texto
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, factorización no negativa de matrices
- Modelado temático y recuperación de información usando Análisis Semántico Latente
- Extracción de entidades, análisis de sentimiento y modelado temático avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de respuesta al ítem
- Etiquetado gramatical y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado temático avanzado: Alocución Dirichlet Latente (LDA)
- Casos de estudio
- Minería de reseñas de usuarios no estructuradas
- Clasificación de sentimiento y visualización de datos de reseñas de productos
- Minería de registros de búsqueda para patrones de uso
- Clasificación de texto
- Modelado temático
Requerimientos
Conocimiento y conciencia de los principios del PLN y una apreciación de la aplicación de la IA en los negocios
21 Horas
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática