Natural Language Processing (NLP) with Python spaCy

• Python 编程经验。
• 对统计学有基本了解
• 具有命令行操作经验

观众

• 开发者
• 数据科学家

这种由讲师指导的现场培训（现场或远程）是针对希望使用spaCy处理大量文本以查找模式和获得见解的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 安装并配置spaCy。
• 理解spaCy的Natural Language Processing (NLP)方法。
• 从大规模数据源中提取模式并获得商业见解。
• 将spaCy库与现有的网络和遗留应用程序集成。
• 将spaCy部署到实际生产环境中以预测人类行为。
• 使用spaCy对Deep Learning进行文本预处理。

课程格式

• 互动式讲座与讨论。
• 大量练习与实践。
• 在实时实验室环境中进行动手操作。

课程自定义选项

• 如需为本课程定制培训，请联系我们安排。
• 要了解更多关于spaCy的信息，请访问：https://spacy.io/

介绍

• 定义“工业级自然语言处理”

安装 spaCy

spaCy 元件

• 词性标注器
• 命名实体识别器
• 依存句法分析器

spaCy 功能和语法概述

了解 spaCy 建模

• 统计建模与预测

使用 SpaCy 命令列介面 （CLI）

• 基本指令

创建一个简单的应用程式来预测行为

训练新的统计模型

• 数据（用于训练）
• 标签（标记、命名实体等）

载入模型

• 随机排列与循环

保存模型

向模型提供反馈

• 误差梯度

更新模型

• 更新实体识别器
• 使用基于规则的匹配器提取词元

为预期结果发展广义理论

个案研究

• 区分产品名称与公司名称

优化训练数据

• 选择代表性数据
• 设置丢弃率

其他训练方式

• 传递原始文本
• 传递注释字典

使用 spaCy 预处理 Deep Learning 的文字

将 spaCy 与传统应用程式整合

测试和调试 spaCy 模型

• 迭代的重要性

将模型部署到生产环境

监视和调整模型

故障排除

总结和结论