Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Découvrez spaCy, une norme industrielle pour le traitement du langage naturel (NLP).
Dans ce cours, vous apprendrez à utiliser spaCy, une bibliothèque standard en pleine expansion, pour effectuer diverses tâches de traitement du langage naturel telles que la tokenisation, la segmentation de phrases, l'analyse syntaxique et la reconnaissance d'entités nommées. spaCy offre des fonctionnalités puissantes, faciles à utiliser et prêtes à l'emploi pour un large éventail de tâches de traitement du langage naturel.Apprenez les opérations de base de spaCy
Vous commencerez par apprendre les opérations de base de spaCy et comment les utiliser pour analyser du texte et extraire des informations à partir de données non structurées. Ensuite, vous travaillerez avec les classes de spaCy, telles que Doc, Span et Token, et apprendrez à utiliser différents composants de spaCy pour calculer des vecteurs de mots et prédire la similarité sémantique.Entraîner les modèles spaCy et se familiariser avec la correspondance de motifs
Vous vous exercerez à écrire des modèles de correspondance simples et complexes afin d'extraire des termes et des expressions donnés à partir de données non structurées à l'aide d'EntityRuler, Matcher et PhraseMatcher. Vous apprendrez également à créer des composants de pipeline personnalisés et à générer des données d'entraînement/d'évaluation. À partir de là, vous vous plongerez dans la formation des modèles spaCy et leur utilisation pour l'inférence. Tout au long du cours, vous travaillerez sur des exemples concrets et consoliderez votre compréhension de l'utilisation de spaCy dans vos propres projets de TALN.Prérequis
Programme de formation
Plan du cours
1
Introduction au NLP et à spaCy
Ce chapitre vous présentera le NLP, quelques-uns de ses cas d’usage comme la reconnaissance d’entités nommées et les chatbots dopés à l’IA. Vous apprendrez à utiliser la puissante bibliothèque spaCy pour réaliser diverses tâches de traitement du langage naturel comme la tokenisation, la segmentation en phrases, l’étiquetage morpho-syntaxique (POS) et la reconnaissance d’entités nommées.
- Bases du Natural Language Processing (NLP)50 XP
- Conteneur Doc dans spaCy100 XP
- Cas d’usage du NER50 XP
- Tokenisation avec spaCy100 XP
- Notions de base de spaCy50 XP
- Exécuter un pipeline spaCy100 XP
- Lemmatisation avec spaCy100 XP
- Segmentation en phrases avec spaCy100 XP
- Caractéristiques linguistiques dans spaCy50 XP
- Étiquetage POS avec spaCy100 XP
- Reconnaissance d’entités nommées (NER) avec spaCy100 XP
- Traitement de texte avec spaCy100 XP
2
Annotations linguistiques et vecteurs de mots avec spaCy
Découvrez les caractéristiques linguistiques, les vecteurs de mots, la similarité sémantique, les analogies et les opérations sur les vecteurs. Dans ce chapitre, vous verrez comment utiliser spaCy pour extraire des vecteurs de mots, catégoriser des textes liés à un sujet donné et trouver des termes sémantiquement proches de mots fournis, à partir d’un corpus ou du vocabulaire d’un modèle spaCy.
3
Analyse de données avec spaCy
Familiarisez-vous avec les composants de pipeline de spaCy, comment ajouter un composant de pipeline et analyser le pipeline NLP. Vous apprendrez également plusieurs approches d’extraction d’information à base de règles en utilisant les classes EntityRuler, Matcher et PhraseMatcher de spaCy ainsi que le module RegEx de Python.
4
Personnaliser les modèles spaCy
Explorez plusieurs cas d’usage réels où les modèles spaCy peuvent échouer et apprenez à les réentraîner pour améliorer leurs performances. Vous serez initié aux étapes d’entraînement de spaCy et comprendrez comment entraîner un modèle spaCy existant ou depuis zéro, puis évaluer le modèle au moment de l’inférence.
Traitement du langage naturel avec spaCy
Cours
terminé
