After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
이 강의에서는 텍스트에서 유용한 정보를 추출하고 ML 모델에 적용하기 적합한 형식으로 처리하는 기법을 학습해요. 구체적으로 POS 태깅, 개체명 인식(NER), 가독성 점수, n-gram과 tf-idf 모델을 배우고, 이를 scikit-learn과 spaCy로 구현하는 방법을 익힙니다. 또한 두 문서가 서로 얼마나 유사한지도 계산해 볼 거예요. 실습을 통해 영화 리뷰의 감성을 예측하고, 영화와 TED Talk 추천 시스템을 만들어 봅니다. 강의를 마치고 나면 어떤 텍스트에서도 핵심 피처를 설계해 내고, 데이터 사이언스의 까다로운 문제들을 해결할 수 있게 될 거예요!
사전 요구 사항
커리큘럼
코스 개요
1
기본 피처와 가독성 점수
단어 수, 문자 수, 평균 단어 길이, 특수 문자 수(예: 트위터 해시태그와 멘션) 같은 기본 피처를 계산하는 방법을 배워요. 또한 가독성 점수를 계산하고, 한 텍스트를 이해하는 데 필요한 교육 수준을 추정하는 방법도 익힙니다.
2
텍스트 전처리, POS 태깅, NER
이 장에서는 토크나이즈와 표제어 추출(레mmatization)을 학습해요. 이어서 spaCy 라이브러리를 사용해 텍스트 클리닝, 품사(POS) 태깅, 개체명 인식(NER)을 수행하는 방법을 배웁니다. 개념을 익힌 뒤에는 게티즈버그 연설을 기계가 읽기 쉽게 변환하고, 가짜 뉴스에서 명사 사용을 분석하며, TechCrunch 기사에 언급된 인물을 식별해 볼 거예요.
3
N-그램 모델
n-gram 모델링을 배우고 이를 활용해 영화 리뷰의 감성 분석을 수행해요.
4
TF-IDF와 유사도 점수
tf-idf 가중치와 두 벡터 사이의 코사인 유사도 점수를 계산하는 방법을 배워요. 이를 바탕으로 영화와 TED Talk 추천기를 만들어 봅니다. 마지막으로 워드 임베딩을 학습하고, 단어 벡터 표현을 사용해 다양한 Pink Floyd 노래 간의 유사도를 계산해 봐요.
Python으로 배우는 NLP 피처 엔지니어링
코스
완료
