Cursus
Natural Language Processing met spaCy
GemiddeldVaardigheidsniveau
Bijgewerkt 07-2025
PythonMachine Learning4 u15 videos53 Opdrachten4,450 XP8,299Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Maak kennis met spaCy, een standaard voor NLP in de industrie
In deze cursus leer je hoe je spaCy kunt gebruiken, een snelgroeiende bibliotheek die de standaard is in de branche, om allerlei taken op het gebied van natuurlijke taalverwerking uit te voeren, zoals tokenisatie, zinsegmentatie, parsing en herkenning van benoemde entiteiten. spaCy biedt krachtige, gebruiksvriendelijke en productieklaar functies voor een breed scala aan taken op het gebied van natuurlijke taalverwerking.Leer de basis van spaCy
Je begint met het leren van de belangrijkste functies van spaCy en hoe je die kunt gebruiken om tekst te ontleden en info uit ongestructureerde gegevens te halen. Daarna ga je aan de slag met de klassen van spaCy, zoals Doc, Span en Token, en leer je hoe je verschillende spaCy-componenten kunt gebruiken om woordvectoren te berekenen en semantische overeenkomsten te voorspellen.Train spaCy-modellen en leer meer over patroonherkenning
Je gaat oefenen met het schrijven van simpele en complexe matchingpatronen om bepaalde termen en zinnen uit ongestructureerde data te halen met behulp van EntityRuler, Matcher en PhraseMatcher. Je leert ook hoe je aangepaste pijplijncomponenten kunt maken en trainings-/evaluatiegegevens kunt creëren. Van daaruit ga je aan de slag met het trainen van spaCy-modellen en hoe je ze kunt gebruiken voor inferentie. Tijdens de cursus werk je aan praktijkvoorbeelden en leer je hoe je spaCy kunt gebruiken in je eigen NLP-projecten.Vereisten
Supervised Learning with scikit-learnPython Toolbox1
Introductie tot NLP en spaCy
In dit hoofdstuk maak je kennis met NLP, enkele toepassingsgebieden zoals named entity recognition en AI-aangedreven chatbots. Je leert de krachtige spaCy-bibliotheek gebruiken voor diverse Natural Language Processing-taken zoals tokenization, zinssegmentatie, POS-tagging en named entity recognition.
2
Taalkundige annotaties en woordvectoren in spaCy
Leer over taalkundige kenmerken, woordvectoren, semantische gelijkenis, analogieën en bewerkingen met woordvectoren. In dit hoofdstuk ontdek je hoe je met spaCy woordvectoren extraheert, teksten categoriseert die relevant zijn voor een bepaald onderwerp en semantisch vergelijkbare termen vindt voor opgegeven woorden uit een corpus of uit de woordenschat van een spaCy-model.
3
Gegevensanalyse met spaCy
Maak kennis met spaCy-pipelinecomponenten, hoe je een pipelinecomponent toevoegt en analyseer de NLP-pipeline. Je leert ook meerdere aanpakken voor regelgebaseerde informatie-extractie met de EntityRuler-, Matcher- en PhraseMatcher-klassen in spaCy en het Python-pakket RegEx.
4
spaCy-modellen aanpassen
Verken meerdere praktijkgevallen waarin spaCy-modellen kunnen falen en leer hoe je ze verder traint om de modelprestaties te verbeteren. Je maakt kennis met de trainingsstappen van spaCy en begrijpt hoe je een bestaand spaCy-model of een model vanaf nul traint en het model tijdens inference evalueert.
Natural Language Processing met spaCy
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Natural Language Processing met spaCy!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.