Natural Language Processing (NLP) with Python spaCy
Corso
A Milano
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Descrizione
-
Tipologia
Corso
-
Luogo
Milano
questo istruttore, Live Training (on-site o remoto) è rivolto a sviluppatori e scienziati di dati che desiderano utilizzare spaCy per elaborare volumi molto grandi di testo per trovare modelli e intuizioni di guadagno.
entro la fine di questa formazione, i partecipanti saranno in grado di:
installare e configurare spaCy.
capire spaCy & #39; s approccio alla trasformazione del linguaggio naturale (PNL).
estrae i modelli ed ottiene le comprensioni di affari dalle fonti di dati su grande scala.
integra la libreria spaCy con applicazioni Web e legacy esistenti.
distribuire spaCy in ambienti di produzione live per prevedere il comportamento umano.
utilizzare spaCy per pre-elaborare il testo per l'apprendimento profondo
formato del corso
conferenza interattiva e discussione.
un sacco di esercizi e di pratica.
implementazione hands-on
in un ambiente Live-Lab.
corso opzioni di personalizzazione
per richiedere un addestramento su misura per questo corso, seli metta in contatto con prego per organizzare.
per saperne di più su spaCy, visitare il:
Machine Translated
Sedi e date
Luogo
Inizio del corso
Inizio del corso
Profilo del corso
Python programming experience.
A basic understanding of statistics
Experience with the command line
Audience
Developers
Data scientists
Opinioni
Materie
- Python
Programma
Introduction
- Defining "Industrial-Strength Natural Language Processing"
Installing spaCy
spaCy Components
- Part-of-speech tagger
- Named entity recognizer
- Dependency parser
Overview of spaCy Features and Syntax
Understanding spaCy Modeling
- Statistical modeling and prediction
Using the SpaCy Command Line Interface (CLI)
- Basic commands
Creating a Simple Application to Predict Behavior
Training a New Statistical Model
- Data (for training)
- Labels (tags, named entities, etc.)
Loading the Model
- Shuffling and looping
Saving the Model
Providing Feedback to the Model
- Error gradient
Updating the Model
- Updating the entity recognizer
- Extracting tokens with rule-based matcher
Developing a Generalized Theory for Expected Outcomes
Case Study
- Distinguishing Product Names from Company Names
Refining the Training Data
- Selecting representative data
- Setting the dropout rate
Other Training Styles
- Passing raw texts
- Passing dictionaries of annotations
Using spaCy to Pre-process Text for Deep Learning
Integrating spaCy with Legacy Applications
Testing and Debugging the spaCy Model
- The importance of iteration
Deploying the Model to Production
Monitoring and Adjusting the Model
Troubleshooting
Summary and Conclusion
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Natural Language Processing (NLP) with Python spaCy