Temario del curso

Introducción

  • Definiendo "Procesamiento del Lenguaje Natural a Escala Industrial"

Instalando spaCy

Componentes de spaCy

  • Anotador de partes del discurso (Part-of-speech tagger)
  • Reconocedor de entidades nombradas (Named entity recognizer)
  • Análisis sintáctico dependiente (Dependency parser)

Visión general de las características y la sintaxis de spaCy

Comprendiendo el modelado en spaCy

  • Modelado estadístico y predicción

Usando la interfaz de línea de comandos (CLI) de spaCy

  • Comandos básicos

Creando una aplicación simple para predecir el comportamiento

Entrenando un nuevo modelo estadístico

  • Datos (para entrenamiento)
  • Etiquetas (etiquetas, entidades nombradas, etc.)

Cargando el modelo

  • Barajado y bucle

Guardando el modelo

Proporcionando retroalimentación al modelo

  • Gradiente de error

Actualizando el modelo

  • Actualizando el reconocedor de entidades
  • Extrayendo tokens con un emparejador basado en reglas (rule-based matcher)

Desarrollando una teoría generalizada para los resultados esperados

Caso de estudio

  • Distinguiendo nombres de productos de nombres de empresas

Refinando los datos de entrenamiento

  • Seleccionando datos representativos
  • Ajustando la tasa de abandono (dropout rate)

Otros estilos de entrenamiento

  • Pasando textos brutos
  • Pasando diccionarios de anotaciones

Usando spaCy para preprocesar texto para Aprendizaje Profundo

Integrando spaCy con aplicaciones heredadas

Pruebas y depuración del modelo de spaCy

  • La importancia de la iteración

Desplegando el modelo a producción

Monitoreo y ajuste del modelo

Troubleshooting (Solución de problemas)

Resumen y conclusión

Requerimientos

  • Experiencia en programación con Python.
  • Conocimientos básicos de estadística
  • Experiencia con la línea de comandos

Público Objetivo

  • Desarrolladores
  • Científicos de datos
 14 Horas

Número de participantes


Precio por Participante​

Testimonios (3)

Próximos cursos

Categorías Relacionadas