Kursus
Pemrosesan Bahasa Alami dengan spaCy
MenengahTingkat Keterampilan
Diperbarui 07/2025Mulai Kursus Gratis
Termasuk denganPremium or Team
PythonMachine Learning4 jam15 videos53 Latihan4,450 XP7,660Bukti Prestasi
Buat Akun Gratis Anda
atau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.Dipercaya oleh para pelajar di ribuan perusahaan
Pelatihan untuk 2 orang atau lebih?
Coba DataCamp for BusinessDeskripsi Kursus
Kenalkan spaCy, standar industri untuk Pemrosesan Bahasa Alami (NLP).
Dalam kursus ini, Anda akan belajar cara menggunakan spaCy, perpustakaan standar industri yang berkembang pesat, untuk melakukan berbagai tugas pemrosesan bahasa alami (NLP) seperti tokenisasi, pemisahan kalimat, parsing, dan pengenalan entitas bernama. spaCy dapat menyediakan fitur-fitur yang kuat, mudah digunakan, dan siap untuk produksi dalam berbagai tugas pemrosesan bahasa alami.Pelajari Operasi Dasar spaCy
Anda akan memulai dengan mempelajari operasi inti spaCy dan cara menggunakannya untuk memproses teks dan mengekstrak informasi dari data yang tidak terstruktur. Kemudian, Anda akan bekerja dengan kelas-kelas spaCy, seperti Doc, Span, dan Token, serta mempelajari cara menggunakan berbagai komponen spaCy untuk menghitung vektor kata dan memprediksi kesamaan semantik.Latih Model spaCy dan Pelajari Tentang Pencocokan Pola
Anda akan berlatih menulis pola pencocokan sederhana dan kompleks untuk mengekstrak istilah dan frasa yang diberikan menggunakan EntityRuler, Matcher, dan PhraseMatcher dari data yang tidak terstruktur. Anda juga akan belajar cara membuat komponen pipeline kustom dan membuat data pelatihan/evaluasi. Dari sana, Anda akan mempelajari cara melatih model spaCy dan bagaimana menggunakannya untuk inferensi. Selama kursus ini, Anda akan bekerja dengan contoh-contoh nyata dan memperkuat pemahaman Anda tentang penggunaan spaCy dalam proyek NLP Anda sendiri.Persyaratan
Supervised Learning with scikit-learnPython Toolbox1
Introduction to NLP and spaCy
This chapter will introduce you to NLP, some of its use cases such as named-entity recognition and AI-powered chatbots. You’ll learn how to use the powerful spaCy library to perform various natural language processing tasks such as tokenization, sentence segmentation, POS tagging, and named entity recognition.
2
spaCy Linguistic Annotations and Word Vectors
Learn about linguistic features, word vectors, semantic similarity, analogies, and word vector operations. In this chapter you’ll discover how to use spaCy to extract word vectors, categorize texts that are relevant to a given topic and find semantically similar terms to given words from a corpus or from a spaCy model vocabulary.
3
Data Analysis with spaCy
Get familiar with spaCy pipeline components, how to add a pipeline component, and analyze the NLP pipeline. You will also learn about multiple approaches for rule-based information extraction using EntityRuler, Matcher, and PhraseMatcher classes in spaCy and RegEx Python package.
4
Customizing spaCy Models
Explore multiple real-world use cases where spaCy models may fail and learn how to train them further to improve model performance. You’ll be introduced to spaCy training steps and understand how to train an existing spaCy model or from scratch, and evaluate the model at the inference time.
Pemrosesan Bahasa Alami dengan spaCy
Kursus Selesai
Memperoleh Surat Keterangan Prestasi
Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV AndaBagikan di media sosial dan dalam penilaian kinerja Anda
Termasuk denganPremium or Team
Daftar SekarangBergabung dengan 19 juta pelajar dan mulai Pemrosesan Bahasa Alami dengan spaCy Hari Ini!
Buat Akun Gratis Anda
atau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.