Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 21 horas
Temario del curso
Detallado esquema de capacitación
- Introducción al NLP
- Comprensión del NLP
- Frameworks de NLP
- Aplicaciones comerciales del NLP
- Scraping de datos de la web
- Trabajo con diversas APIs para recuperar datos de texto
- Trabajo y almacenamiento de corpus de texto, guardando el contenido y metadatos relevantes
- Ventajas de usar Python y curso intensivo de NLTK
- Comprensión práctica de un corpus y un conjunto de datos
- ¿Por qué necesitamos un corpus?
- Análisis de corpus
- Tipos de atributos de datos
- Diferentes formatos de archivo para corpus
- Preparación de un conjunto de datos para aplicaciones de NLP
- Comprensión de la estructura de las oraciones
- Componentes del NLP
- Comprensión del lenguaje natural
- Análisis morfológico - raíz, palabra, token, etiquetas de habla
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus - texto crudo
- Tokenización de oraciones
- Truncamiento (Stemming) para texto crudo
- Lematización de texto crudo
- Eliminación de palabras de uso frecuente (stop words)
- Corpus - oraciones crudas
- Tokenización de palabras
- Lematización de palabras
- Trabajo con matrices Término-Documento / Documento-Término
- Tokenización de texto en n-grams y oraciones
- Preprocesamiento práctico y personalizado
- Corpus - texto crudo
- Análisis de datos de texto
- Características básicas de NLP
- Parsers y parsing
- Etiquetado POS y etiquetadores
- Reconocimiento de entidades nombradas
- N-grams
- Bolsa de palabras (Bag of words)
- Características estadísticas de NLP
- Conceptos de álgebra lineal para NLP
- Teoría probabilística para NLP
- TF-IDF
- Vectorización
- Codificadores y Decodificadores
- Normalización
- Modelos Probabilísticos
- Ingeniería de características avanzada y NLP
- Fundamentos de word2vec
- Componentes del modelo word2vec
- Lógica del modelo word2vec
- Extensión del concepto word2vec
- Aplicación del modelo word2vec
- Estudio de caso: Aplicación de bolsa de palabras: resumen automático de texto usando los algoritmos de Luhn simplificados y auténticos
- Características básicas de NLP
- Agrupamiento de documentos, clasificación y modelado de temas
- Agrupamiento de documentos y minería de patrones (agrupamiento jerárquico, k-means, clustering, etc.)
- Comparación y clasificación de documentos usando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos usando Naïve Bayes y Entropía Máxima
- Identificación de elementos de texto importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, factorización de matrices no negativas
- Modelado de temas y recuperación de información usando Análisis Semántico Latente
- Extracción de entidades, análisis de sentimientos y modelado de temas avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de la Respuesta del Ítem
- Etiquetado de partes de la oración y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado de temas avanzado: Asignación Latente Dirichlet
- Estudios de caso
- Minería de revisiones de usuarios no estructuradas
- Clasificación y visualización de sentimientos de Datos de Revisiones de Productos
- Minería de registros de búsqueda para patrones de uso
- Clasificación de texto
- Modelado de temas
Requerimientos
Conocimiento y comprensión de los principios del NLP y una apreciación de la aplicación de la IA en los negocios
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática
