Course Outline

Invoering

  • Het definiëren van "industriële kracht natuurlijke taalverwerking"

SpaCy installeren

spaCy-componenten

  • Tagger voor woordsoort
  • Benoemde entiteitherkenner
  • Afhankelijkheidsparser

Overzicht van spaCy-functies en syntaxis

SpaCy-modellering begrijpen

  • Statistische modellering en voorspelling

De SpaCy-opdrachtregelinterface (CLI) gebruiken

  • Basiscommando's

Een eenvoudige applicatie maken om gedrag te voorspellen

Een nieuw statistisch model trainen

  • Gegevens (voor training)
  • Labels (tags, benoemde entiteiten, enz.)

Het model laden

  • Shuffelen en loopen

Het model opslaan

Feedback geven aan het model

  • Foutgradiënt

Het model bijwerken

  • De entiteitsherkenner bijwerken
  • Tokens extraheren met op regels gebaseerde matcher

Het ontwikkelen van een algemene theorie voor verwachte resultaten

Casestudy

  • Productnamen onderscheiden van bedrijfsnamen

De trainingsgegevens verfijnen

  • Representatieve gegevens selecteren
  • Het uitvalpercentage instellen

Andere trainingsstijlen

  • Ruwe teksten doorgeven
  • Woordenboeken met annotaties doorgeven

SpaCy gebruiken om tekst voor te verwerken voor Deep Learning

SpaCy integreren met oudere applicaties

Het spaCy-model testen en debuggen

  • Het belang van iteratie

Het model implementeren in productie

Het model monitoren en aanpassen

Probleemoplossen

Samenvatting en conclusie

Requirements

  • Python programmeerervaring.
  • Een basiskennis van statistiek
  • Ervaring met de commandoregel

Publiek

  • Ontwikkelaars
  • Datawetenschappers
 14 Hours

Getuigenissen (5)

Related Courses

Related Categories