Accéder au contenu principal

Cours

NLP avancé avec spaCy

IntermédiaireNiveau de compétence

Actualisé 11/2024

Commencer le cours gratuitement

PythonMachine Learning

5 h

15 vidéos

55 Exercices

4,450 XP

21,671

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

Si vous travaillez avec beaucoup de texte, vous voudrez tôt ou tard en apprendre davantage à son sujet. Par exemple, de quoi parle-t-il ? Que signifient les mots dans leur contexte ? Qui fait quoi et à qui ? Quelles entreprises et quels produits sont mentionnés ? Quels textes se ressemblent ? Dans ce cours, vous apprendrez à utiliser spaCy, une bibliothèque de référence en plein essor pour le NLP en Python, afin de construire des systèmes avancés de compréhension du langage naturel, en combinant approches à base de règles et Machine Learning.

Prérequis

Introduction to Natural Language Processing in Python

1

Trouver des mots, expressions, noms et concepts

Ce chapitre vous présentera les bases du traitement de texte avec spaCy. Vous découvrirez les structures de données, comment utiliser des modèles statistiques et comment les exploiter pour prédire des caractéristiques linguistiques dans vos textes.

Introduction à spaCy

Premiers pas

Documents, spans et tokens

Attributs lexicaux

Modèles statistiques

Paquets de modèles

Charger des modèles

Prédire des annotations linguistiques

Prédire des entités nommées en contexte

Appariement basé sur des règles

Utiliser le Matcher

Écrire des motifs de correspondance

Commencer le chapitre

2

Analyse de données à grande échelle avec spaCy

Dans ce chapitre, vous utiliserez vos nouvelles compétences pour extraire des informations précises à partir de grands volumes de texte. Vous apprendrez à tirer le meilleur parti des structures de données de spaCy et à combiner efficacement approches statistiques et règles pour l’analyse de texte.

Structures de données (1)

Chaînes vers hachages

Vocabulaire, hachages et lexèmes

Structures de données (2)

Créer un Doc

Docs, spans et entités à partir de zéro

Bonnes pratiques pour les structures de données

Vecteurs de mots et similarité

Inspecter les vecteurs de mots

Comparer des similarités

Combiner modèles et règles

Déboguer des motifs (1)

Déboguer des motifs (2)

Appariement de phrases efficace

Extraction des pays et des relations

Commencer le chapitre

3

Pipelines de traitement

Ce chapitre vous expliquera tout ce qu’il faut savoir sur le pipeline de traitement de spaCy. Vous verrez ce qui se passe en coulisses lors du traitement d’un texte, comment écrire vos propres composants et les ajouter au pipeline, et comment utiliser des attributs personnalisés pour enrichir de métadonnées les documents, spans et tokens.

Pipelines de traitement

Que se passe-t-il quand vous appelez nlp ?

Examiner le pipeline

Composants personnalisés de pipeline

Cas d’usage pour les composants personnalisés

Composants simples

Composants complexes

Attributs d’extension

Définir des attributs d’extension (1)

Définir des attributs d’extension (2)

Entités et extensions

Composants avec extensions

Passage à l’échelle et performances

Flux de traitement

Traiter des données avec contexte

Traitement sélectif

Commencer le chapitre

4

Entraîner un modèle de réseau de neurones

Dans ce chapitre, vous apprendrez à mettre à jour les modèles statistiques de spaCy pour les adapter à votre cas d’usage – par exemple, pour prédire un nouveau type d’entité dans des commentaires en ligne. Vous écrirez votre propre boucle d’entraînement depuis zéro et comprendrez les bases du fonctionnement de l’entraînement, ainsi que des conseils et bonnes pratiques pour réussir vos projets NLP sur mesure.

Entraîner et mettre à jour des modèles

Objectif de l’entraînement

Créer des données d’entraînement (1)

Créer des données d’entraînement (2)

La boucle d’entraînement

Configuration du pipeline

Créer une boucle d’entraînement

Explorer le modèle

Bonnes pratiques d’entraînement

Bonnes données vs. mauvaises données

Entraîner plusieurs libellés

Pour conclure

Commencer le chapitre

NLP avancé avec spaCy

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez NLP avancé avec spaCy dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.