Natural Language Processing (NLP) with Python spaCy

• Python doświadczenie w programowaniu.
• Podstawowa znajomość statystyki
• Doświadczenie z wierszem poleceń

Publiczność

• Programiści
• Analitycy danych

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów i analityków danych, którzy chcą używać spaCy do przetwarzania bardzo dużych ilości tekstu w celu znalezienia wzorców i uzyskania wglądu.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstalować i skonfigurować spaCy.
• Zrozumieć podejście spaCy do Natural Language Processing (NLP).
• Wydobywać wzorce i uzyskiwać informacje biznesowe z dużych źródeł danych.
• Zintegrować bibliotekę spaCy z istniejącymi aplikacjami internetowymi i starszymi systemami.
• Wdrożyć spaCy do środowisk produkcyjnych, aby przewidywać zachowania ludzi.
• Używać spaCy do wstępnego przetwarzania tekstu dla Deep Learning.

Format kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczna implementacja w środowisku live-lab.

Opcje dostosowywania kursu

• Aby poprosić o dostosowane szkolenie w ramach tego kursu, prosimy o kontakt w celu ustalenia szczegółów.
• Aby dowiedzieć się więcej o spaCy, odwiedź: https://spacy.io/

Wprowadzenie

• Definiowanie „Industrial-Strength Natural Language Processing”

Instalacja spaCy

Składniki spaCy

• Part-of-speech tagger
• Named entity recognizer
• Dependency parser

Przegląd funkcji i składni spaCy

Zrozumienie modelowania spaCy

• Statistical modeling and prediction

Korzystanie z interfejsu wiersza poleceń spaCy (CLI)

• Basic commands

Tworzenie prostej aplikacji do przewidywania zachowań

Trenowanie nowego modelu statystycznego

• Data (dane do treningu)
• Labels (etykiety, nazwy własne itp.)

Ładowanie modelu

• Shuffling and looping

Zapisywanie modelu

Dostarczanie informacji zwrotnych do modelu

• Error gradient

Aktualizacja modelu

• Updating the entity recognizer
• Extracting tokens with rule-based matcher

Opracowanie uogólnionej teorii oczekiwanych wyników

Studium przypadku

• Distinguishing Product Names from Company Names

Udoskonalanie danych szkoleniowych

• Selecting representative data
• Setting the dropout rate

Inne style szkoleniowe

• Passing raw texts
• Passing dictionaries of annotations

Używanie spaCy do wstępnego przetwarzania tekstu dla Deep Learning

Integracja spaCy ze starszymi aplikacjami

Testowanie i debugowanie modelu spaCy

• The importance of iteration

Wdrażanie modelu do produkcji

Monitorowanie i dostosowywanie modelu

Rozwiązywanie problemów

Podsumowanie i wnioski