7 progetti NLP per tutti i livelli

Uno dei modi migliori per trovare lavoro nel campo della data science è creare un portfolio con progetti di data science che mostrino efficacemente le tue competenze tecniche. Con il boom di ChatGPT, dimostrare al recruiter che sai risolvere problemi di NLP è diventato più importante che mai.

In questo articolo, ti mostrerò sette esempi di progetti NLP per tutti i livelli, dall'aspirante data scientist al professionista esperto. Iniziamo!

Vuoi migliorare le tue competenze NLP? Inizia oggi il nostro percorso Natural Language Processing in Python.

Perché iniziare un progetto NLP?

Ci sono molti motivi per cui dovresti provare a risolvere un compito di NLP. Il primo è la domanda del mercato. I Large Language Model (LLM), come ChatGPT, hanno catturato l'attenzione di ogni tipo di organizzazione: ciò significa che vogliono investire in questi nuovi strumenti e hanno bisogno di persone che sappiano dimostrare di capire il natural language processing.

Inoltre, un progetto NLP può aiutarti a:

• Imparare e aggiungere una nuova competenza al tuo CV.
• Costruire un portfolio di progetti che dimostrino le tue abilità e la tua capacità di risolvere una gamma diversa di compiti.
• Mostrare che resti aggiornato sui nuovi progressi.

Progetti NLP per principianti

Questi progetti NLP sono pensati per chi sta iniziando il proprio percorso nella data science. In questi progetti puoi padroneggiare i concetti base di NLP, come le tecniche di elaborazione del testo, il bag-of-words e tf-idf.

Se hai bisogno di ripassare l'NLP, puoi dare un'occhiata al nostro corso Introduction to Natural Language Processing in Python. Può essere utile anche seguire il nostro corso Supervised Learning with scikit-learn per apprendere tecniche di machine learning per risolvere problemi supervisionati.

1. Estrai il sentiment azionario dai titoli di notizie

L'analisi del sentiment è uno dei progetti NLP più popolari. Consiste nel prevedere se un testo è positivo, negativo o neutro. Capire il sentiment può offrire insight per il tuo business, ad esempio per monitorare se c'è soddisfazione/insoddisfazione verso i tuoi prodotti.

Nel progetto Extract Stock Sentiment from News Headlines allenerai un modello di analisi del sentiment sui titoli di notizie finanziarie da Finviz. Per prima cosa pulirai il testo, poi applicherai tecniche di machine learning per rilevare se c'è una percezione positiva sul titolo oppure no.

Un esempio tratto da questo progetto NLP

2. Chi sta twittando? Trump o Trudeau?

Un altro progetto molto diffuso è l'analisi dei dati dei tweet, dato che Twitter consente di scaricare i dati tramite una API solida.

Nel progetto Who’s Tweeting? Trump or Trudeau classificherai se il tweet è scritto da Donald Trump o Justin Trudeau. Rispetto al progetto precedente, estrarre informazioni dai tweet può essere più impegnativo perché sono brevi e ricchi di menzioni, emoji e hashtag.

Progetti NLP intermedi

Dopo aver imparato pulizia, elaborazione e visualizzazione del testo e l'applicazione di modelli di machine learning per compiti di classificazione, è il momento di passare al livello successivo. Nei progetti seguenti imparerai tre diverse applicazioni del natural language processing: il topic modeling, il riconoscimento di entità denominate e i sistemi di raccomandazione.

3. Gli argomenti più caldi nel Machine Learning

Le tecniche NLP non si limitano a gestire dataset etichettati; possono anche risolvere problemi non supervisionati. Il topic modeling è una delle principali applicazioni grazie alla sua capacità di estrarre gli argomenti più rappresentativi in una raccolta di documenti, come le recensioni di prodotti.

Nel progetto Hottest Topics in Machine Learning scoprirai gli argomenti dai paper di ricerca di NIPS, una prestigiosa conferenza annuale su machine learning e neuroscienze computazionali. Il progetto si può dividere in due parti: la fase di pre-processing e l'identificazione degli argomenti tramite Latent Dirichlet Allocation (LDA).

Un esempio dal progetto NLP Hottest Topics in Machine Learning

4. Analisi dei CV con Spacy

Il riconoscimento di entità denominate è un compito del Natural Language Processing che consiste nell'identificare e classificare le entità nominate presenti in un documento testuale in categorie predefinite, come persona, organizzazione, luogo e data.

Nel progetto Resume Analysis using Spacy costruirai un sistema che aiuta i recruiter a gestire in modo efficace i CV dei candidati in base alle competenze necessarie per il lavoro. Il dataset è una raccolta di CV presi da livecareer.com. In questo progetto, il modello spaCy verrà utilizzato per riconoscere le entità nel CV.

5. Consigli di lettura da Charles Darwin

Siamo influenzati dai sistemi di raccomandazione ogni giorno. Quando acquisti un prodotto su Amazon, vedi suggerimenti basati sui tuoi gusti. Lo stesso accade quando guardi un film su Netflix, con un elenco di titoli basati sulle scelte passate.

Nel progetto Book Recommendations from Charles Darwin costruirai un sistema di raccomandazione di libri basato sul loro contenuto. I dati provengono da Project Gutenberg. La bibliografia di Charles Darwin verrà utilizzata per identificare i libri che potrebbero catturare il tuo interesse.

Progetti NLP avanzati

Questi progetti di data science si concentrano sulla risoluzione di problemi più avanzati, come la traduzione automatica e il question answering. Allenerai modelli basati su transformer per risolvere ciascun compito.

6. Traduttore inglese/italiano con modello Hugging Face

Ogni anno, la traduzione automatica diventa migliore e più accurata. Questo progresso è dovuto allo sviluppo di tecniche di traduzione sempre più sofisticate.

Nel progetto English/Italian Translator with Hugging Face model costruirai una tua applicazione di traduzione con Hugging Face, una piattaforma di IA che ospita molti large language model specializzati in diversi compiti, inclusa la traduzione. In questo progetto, sceglierai questo modello per tradurre il testo dall'italiano all'inglese. L'applicazione viene realizzata con Streamlit.

7. Question answering con un BERT fine-tuned

I large language model, come ChatGPT, hanno portato entusiasmo nella risoluzione di un'enorme varietà di compiti NLP, incluso il question answering. Porre una domanda e ottenere rapidamente una risposta da un large language model può davvero velocizzare il lavoro delle persone e consentire di concentrarsi su altri compiti impegnativi.

Nel progetto Question Answering with a fine-tuned BERT eseguirai il fine-tuning di BERT sul dataset CoQA, che consiste in una raccolta di 127 mila domande con risposte rilasciata da Stanford nel 2019. L'obiettivo è usare il modello BERT per rispondere alle domande basandosi sul dataset fornito.

Conclusione

Ecco fatto! Con questi progetti acquisirai nuove competenze e arricchirai il tuo portfolio con progetti NLP, rendendoti più interessante per il recruiter in cerca di nuovi talenti. In base al tuo livello, puoi scegliere il progetto che senti più adatto.

Se ti interessa iniziare con il Natural Language Processing, il modo migliore è dare un'occhiata al percorso Natural Language Processing in Python di DataCamp. Puoi anche consultare il tutorial sul Natural Language Processing.