Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Esboço detalhado do treinamento
- Introdução ao NLP
- Compreendendo o NLP
- Frameworks de NLP
- Aplicações comerciais de NLP
- Raspagem de dados da web
- Trabalhando com diferentes APIs para recuperar dados textuais
- Manipulando e armazenando corpora de texto, salvando conteúdo e metadados relevantes
- Vantagens do uso do curso intensivo Python e NLTK
- Compreensão prática de um corpus e conjunto de dados
- Por que precisamos de um corpus?
- Análise de corpus
- Tipos de atributos de dados
- Diferentes formatos de arquivo para corpora
- Preparando um conjunto de dados para aplicações NLP
- Compreendendo a estrutura das frases
- Componentes do NLP
- Compreensão da linguagem natural
- Análise morfológica - raiz, palavra, token, tags de fala
- Análise sintática
- Análise semântica
- Lidando com ambiguidade
- Pré-processamento de dados textuais
- Corpus - texto bruto
- Tokenização de frases
- Stemming para texto bruto
- Lematização de texto bruto
- Remoção de stop words
- Corpus-frases brutas
- Word tokenização
- Word lematização
- Trabalhando com matrizes Term-Doc/Doc-Term
- Tokenização de texto em n-gramas e frases
- Pré-processamento prático e personalizado
- Corpus - texto bruto
- Análise de dados textuais
- Características básicas do NLP
- Parsers e parsing
- POS tagging e taggers
- Reconhecimento de entidades nomeadas
- N-gramas
- Bolsa de palavras
- Características estatísticas do NLP
- Conceitos de álgebra linear para NLP
- Teoria probabilística para NLP
- TF-IDF
- Vetorização
- Encoders e Decoders
- Normalização
- Modelos probabilísticos
- Engenharia de recursos avançada e NLP
- Básicos do word2vec
- Componentes do modelo word2vec
- Lógica do modelo word2vec
- Extensão do conceito word2vec
- Apliação do modelo word2vec
- Caso de estudo: Aplicação da bolsa de palavras: resumificação automática de texto usando algoritmos simplificados e verdadeiros de Luhn
- Características básicas do NLP
- Clusterização, Classificação de Documentos e Modelagem Tópica
- Clusterização e mineração de padrões em documentos (clusterização hierárquica, k-means, etc.)
- Comparando e classificando documentos usando TFIDF, Jaccard e medidas de distância cosseno
- Classificação de documentos usando Naïve Bayes e Máxima Entropia
- Identificando Textos Importantes Elements
- Redução de dimensionalidade: Análise de Componentes Principais, Decomposição de Valor Singular e fatoração de matriz não negativa
- Modelagem tópica e recuperação de informações usando Análise Semântica Latente
- Extração de Entidades, Sentiment Analysis e Modelagem Tópica Avançada
- Positivo vs negativo: grau de sentimento
- Teoria de Resposta ao Item
- Etiquetagem de classes gramaticais e sua aplicação: encontrar pessoas, lugares e organizações mencionadas no texto
- Modelagem tópica avançada: Atribuição Dirichlet Latente
- Casos de estudo
- Mineração de avaliações de usuários não estruturadas
- Classificação e visualização do sentimento em dados de revisão de produtos
- Mineração de logs de pesquisa para padrões de uso
- Classificação de texto
- Modelagem tópica
Requisitos
Conhecimento e conscientização sobre os princípios da PLN (Processamento de Linguagem Natural) e apreciação das aplicações de IA nos negócios
21 Horas
Declaração de Clientes (1)
Sinto que adquiri as habilidades essenciais para entender como o ROS se integra e como estruturar projetos nele.
Dan Goldsmith - Coventry University
Curso - ROS: Programming for Robotics
Máquina Traduzida