Weiter zum Inhalt

Startseite Python

Kurs

Einführung in Natural Language Processing mit Python

MittelSchwierigkeitsgrad

Aktualisiert 02/2026

Lerne grundlegende Techniken der natürlichen Sprachverarbeitung mit Python und wie du sie anwendest, um Erkenntnisse aus realen Textdaten zu gewinnen.

Kurs kostenlos starten

PythonMachine Learning

4 Std.

15 Videos

51 Übungen

3,750 XP

140K+

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

In diesem Kurs lernst du die Grundlagen der natürlichen Sprachverarbeitung (NLP) kennen: wie man Wörter erkennt und trennt, wie man Themen in einem Text extrahiert und wie man einen eigenen Fake-News-Klassifikator baut. Außerdem lernst du, grundlegende Bibliotheken wie NLTK zu nutzen sowie Bibliotheken, die Deep Learning einsetzen, um gängige NLP-Probleme zu lösen. Dieser Kurs legt das Fundament, um Text zu verarbeiten und zu parsen, während du mit deinem Python-Lernen vorankommst.

Voraussetzungen

1

Reguläre Ausdrücke und Wort-Tokenisierung

In diesem Kapitel lernst du grundlegende NLP-Konzepte kennen, etwa Wort-Tokenisierung und reguläre Ausdrücke, um Text zu parsen. Du lernst auch, wie du nichtenglischen Text verarbeitest und schwierigere Tokenisierungsfälle meisterst, auf die du stoßen könntest.

Einführung in reguläre Ausdrücke

Welches Muster?

Reguläre Ausdrücke: re.split() und re.findall()

Einstieg in die Tokenisierung

Worttokenisierung mit NLTK

Regex mit re.search()

Erweiterte Tokenisierung mit NLTK und Regex

Einen Tokenizer auswählen

Regex mit NLTK-Tokenisierung

Nicht-ASCII-Tokenisierung

Wortlängen mit NLTK visualisieren

Diagramm-Übung

Kapitel starten

2

Einfache Themenidentifikation

Dieses Kapitel führt dich in die Themenidentifikation ein, die du auf beliebige Texte in freier Wildbahn anwenden kannst. Mit einfachen NLP-Modellen identifizierst du Themen anhand von Termhäufigkeiten. Du experimentierst mit zwei einfachen Methoden und vergleichst sie: Bag-of-Words und Tf-idf mit NLTK sowie der neuen Bibliothek Gensim.

Wortzählung mit Bag-of-Words

Bag-of-Words verstanden?

Einen Counter mit Bag-of-Words erstellen

Einfache Textvorverarbeitung

Schritte der Textvorverarbeitung

Übung zur Textvorverarbeitung

Einführung in gensim

Was sind Wortvektoren?

Ein Korpus mit gensim erstellen und abfragen

Gensim Bag-of-Words

Tf-idf mit gensim

Was ist tf-idf?

Tf-idf mit Wikipedia

Kapitel starten

3

Erkennung benannter Entitäten

Dieses Kapitel führt ein etwas fortgeschritteneres Thema ein: die Erkennung benannter Entitäten. Du lernst, das Wer, Was und Wo deiner Texte zu identifizieren – mithilfe vortrainierter Modelle für englische und nichtenglische Texte. Außerdem lernst du neue Bibliotheken kennen, polyglot und spaCy, um deinen NLP-Werkzeugkasten zu erweitern.

Named Entity Recognition

NER mit NLTK

Diagramm-Übung

Stanford-Bibliothek mit NLTK

Einführung in spaCy

NLTK mit spaCy-NER vergleichen

spaCy NER-Kategorien

Mehrsprachige NER mit polyglot

Französische NER mit polyglot I

Französische NER mit polyglot II

Spanische NER mit polyglot

Kapitel starten

4

Einen „Fake News“-Klassifikator bauen

Du wendest die Grundlagen, die du gelernt hast, zusammen mit überwachtem maschinellem Lernen an, um einen „Fake News“-Detektor zu bauen. Du startest mit den Grundlagen des überwachten Lernens und wählst anschließend einige wichtige Features aus, um Ideen zu testen und Fake-News-Artikel zu identifizieren und zu klassifizieren.

Fake News mit überwachten Lernverfahren und NLP klassifizieren

Möglichen Merkmale

Trainieren und Testen

Wortzählvektoren mit scikit-learn erstellen

CountVectorizer für Textklassifizierung

TfidfVectorizer für Textklassifikation

Vektoren analysieren

Ein Klassifikationsmodell mit scikit-learn trainieren und testen

Modelle zur Textklassifikation

Das „Fake News“-Modell mit CountVectorizer trainieren und testen

Training und Testen des „Fake News“-Modells mit TfidfVectorizer

Einfaches NLP, komplexe Probleme

Das Modell verbessern

Dein Modell verbessern

Dein Modell untersuchen

Kapitel starten

Einführung in Natural Language Processing mit Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Einführung in Natural Language Processing mit Python heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.