Entrar em Contato

Programa do Curso

Plano detalhado do treinamento

  1. Introdução ao NLP
    • Compreendendo o NLP
    • Framworks de NLP
    • Aplicações comerciais do NLP
    • Raspagem de dados na web
    • Trabalhando com várias APIs para recuperar dados textuais
    • Trabalho e armazenamento de corpora de texto, salvando conteúdo e metadados relevantes
    • Vantagens de usar Python e introdução rápida ao NLTK
  2. Compreensão prática de um Corpus e Dataset
    • Por que precisamos de um corpus?
    • Análise do Corpus
    • Tipos de atributos de dados
    • Diferentes formatos de arquivos para corpora
    • Preparação de um dataset para aplicações de NLP
  3. Compreendendo a Estrutura das Frases
    • Componentes do NLP
    • Compreensão da linguagem natural
    • Análise morfológica - raiz, palavra, token, tags gramaticais
    • Análise sintática
    • Análise semântica
    • Lidando com ambiguidade
  4. Pré-processamento de dados textuais
    • Corpus - texto bruto
      • Tokenização de frases
      • Raizização (Stemming) para texto bruto
      • Lematização do texto bruto
      • Remoção de stop words
    • Corpus - frases em bruto
      • Tokenização de palavras
      • Lematização de palavras
    • Trabalhando com Matrizes Termo-Documento / Documento-Termo
    • Tokenização de texto em n-gramas e frases
    • Pré-processamento prático e personalizado
  5. Analisando dados textuais
    • Características básicas do NLP
      • Parsers e parsing
      • Tagging de partes da fala (POS) e etiquetadores
      • Reconhecimento de entidades nomeadas
      • N-gramas
      • Bag of words (Bolsa de palavras)
    • Características estatísticas do NLP
      • Conceitos de álgebra linear para NLP
      • Teoria probabilística para NLP
      • TF-IDF
      • Vetorização
      • Codificadores e Decodificadores
      • Normalização
      • Modelos Probabilísticos
    • Engenharia de recursos avançada e NLP
      • Introdução ao word2vec
      • Componentes do modelo word2vec
      • Lógica do modelo word2vec
      • Extensão do conceito word2vec
      • Aplicação do modelo word2vec
    • Estudo de caso: Aplicação do bag of words: sumarização automática de texto usando os algoritmos simplificados e reais de Luhn
  6. Clustering, Classificação de Documentos e Modelagem de Tópicos
    • Clustering de documentos e mineração de padrões (agrupamento hierárquico, k-means, clustering, etc.)
    • Comparação e classificação de documentos usando medidas de distância TFIDF, Jaccard e cosseno
    • Classificação de documentos usando Bayesiana Ingênua (Naïve Bayes) e Entropia Máxima
  7. Identificando Elementos Textuais Importantes
    • Redução de dimensionalidade: Análise de Componentes Principais, Decomposição em Valores Singulares e Fatoração Matricial Não Negativa
    • Modelagem de tópicos e recuperação de informação usando Análise Semântica Latente
  8. Extração de Entidades, Análise de Sentimentos e Modelagem Avançada de Tópicos
    • Positivo vs. negativo: grau do sentimento
    • Teoria da Resposta ao Item
    • Tagging de partes da fala e sua aplicação: encontrando pessoas, lugares e organizações mencionados no texto
    • Modelagem avançada de tópicos: Alocação Dirichlet Latente
  9. Estudos de caso
    • Mineração de avaliações de usuários não estruturadas
    • Classificação de sentimentos e visualização de dados de avaliação de produtos
    • Mineração de logs de busca para padrões de uso
    • Classificação de texto
    • Modelagem de tópicos

Requisitos

Conhecimento e compreensão dos princípios do NLP e uma apreciação da aplicação da IA nos negócios

 21 Horas

Número de participantes


Preço por participante

Testemunhos de Clientes (1)

Próximas Formações Provisórias

Categorias Relacionadas