Natural Language Processing (NLP) - AI/Robotics

Prerequisites:

Znajomość i świadomość zasad NLP oraz docenienie zastosowania sztucznej inteligencji w biznesie

Overview:

Ten szkoleniowe sesje w sali będą badać techniki NLP w połączeniu z zastosowaniem sztucznej inteligencji oraz Robotics w biznesie. Uczestnicy będą wykonywać przykłady na komputerze oraz ćwiczenia rozwiązywania studiów przypadku z wykorzystaniem Python

Course Outline:

Szczegółowy plan szkolenia

1. Wprowadzenie do NLP
   • Zrozumienie NLP
   • Ramy NLP
   • Komercyjne zastosowania NLP
   • Pobieranie danych z sieci
   • Praca z różnymi API do pobierania danych tekstowych
   • Praca i przechowywanie korpusów tekstowych - zapisywanie zawartości i odpowiedniej metadanych
   • Zalety kursu szybkiego Python i NLTK
2. Praktyczne zrozumienie korpusu i zbioru danych
   • Dlaczego potrzebny jest korpus?
   • Analiza korpusu
   • Rodzaje atrybutów danych
   • Różne formaty plików dla korpusów
   • Przygotowanie zbioru danych do zastosowań NLP
3. Zrozumienie struktury zdania
   • Składniki NLP
   • Zrozumienie języka naturalnego
   • Analiza morfologiczna - rdzeń, słowo, token, etykiety mówienia
   • Analiza składniowa
   • Analiza semantyczna
   • Obsługa dwuznaczności
4. Przetwarzanie wstępne danych tekstowych
   • Korpus - surowy tekst
     • Tokenizacja zdania
     • Stemming dla surowego tekstu
     • Lematyzacja surowego tekstu
     • Usuwanie stop-wordów
   • Korpus - surowe zdania
     • Word tokenization
     • Word lemmatization
   • Praca z macierzą Term-Document/Document-Term
   • Tokenizacja tekstu na n-gramy i zdania
   • Praktyczne i spersonalizowane przetwarzanie wstępne
5. Analiza danych tekstowych
   • Podstawowe cechy NLP
     • Parsery i parsowanie
     • Tagowanie części mowy i taggery
     • Wykrywanie encji nazwanych
     • N-gramy
     • Bag of words
   • Statystyczne cechy NLP
     • Pojęcia algebry liniowej dla NLP
     • Teoria probabilistyczna dla NLP
     • TF-IDF
     • Wektoryzacja
     • Kodery i dekodery
     • Normalizacja
     • Modele probabilistyczne
   • Zaawansowane inżynieria cech i NLP
     • Podstawy word2vec
     • Składniki modelu word2vec
     • Logika modelu word2vec
     • Rozszerzenie koncepcji word2vec
     • Zastosowanie modelu word2vec
   • Przykład zastosowania bag of words: automatyczne streszczenie tekstu za pomocą uproszczonych i prawdziwych algorytmów Luhn'a
6. Klasyfikacja, klasyfikacja dokumentów i modelowanie tematów
   • Klasyfikacja dokumentów i wydobywanie wzorców (hierarchiczna klasyfikacja, k-means, klasyfikacja, itp.)
   • Porównywanie i klasyfikowanie dokumentów za pomocą miar TFIDF, Jaccard i cosinus
   • Klasyfikacja dokumentów za pomocą Naïve Bayes i Maximum Entropy
7. Wykrywanie ważnych tekstów Element
   • Redukcja wymiarowości: Analiza składowych głównych, rozkład wartości singularnych, rozkład macierzy nieujemnej
   • Modelowanie tematów i wyszukiwanie informacji za pomocą analizy semantycznej latentnej
8. Wykrywanie encji, Sentiment Analysis i zaawansowane modelowanie tematów
   • Pozytywne vs. negatywne: stopień sentymentu
   • Teoria odpowiedzi na elementy
   • Tagowanie części mowy i jego zastosowanie: wyszukiwanie osób, miejsc i organizacji wspomnianych w tekście
   • Zaawansowane modelowanie tematów: Latent Dirichlet Allocation
9. Przykłady zastosowań
   • Wydobywanie niestrukturyzowanych opinii użytkowników
   • Klasyfikacja i wizualizacja sentymentu danych recenzji produktów
   • Wydobywanie logów wyszukiwania w celu wyodrębnienia wzorców użytkowania
   • Klasyfikacja tekstu
   • Modelowanie tematów