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
Plano detalhado do treinamento
- 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
- 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
- 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
- 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
- Corpus - texto bruto
- 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
- Características básicas do NLP
- 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
- 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
- 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
- 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
Testemunhos de Clientes (1)
Apoio individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Máquina Traduzida