Kurs
Przetwarzanie języka naturalnego z użyciem spaCy
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 07.2025
PythonMachine Learning4 godz.15 filmów53 Ćwiczenia4,450 XP8,260Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Poznaj spaCy, branżowy standard w NLP
W tym kursie nauczysz się korzystać z spaCy, szybko rozwijającej się, branżowej biblioteki standardowej, aby wykonywać różne zadania przetwarzania języka naturalnego, takie jak tokenizacja, segmentacja zdań, parsowanie i rozpoznawanie nazwanych encji. spaCy oferuje zaawansowane, łatwe w użyciu i gotowe do wdrożenia funkcje w szerokim zakresie zadań przetwarzania języka naturalnego.Poznaj podstawowe operacje spaCy
Zaczniesz od poznania podstawowych operacji spaCy i tego, jak używać ich do analizowania tekstu oraz wyodrębniania informacji z nieustrukturyzowanych danych. Następnie będziesz pracować z klasami spaCy, takimi jak Doc, Span i Token, oraz nauczysz się korzystać z różnych komponentów spaCy do obliczania wektorów słów i przewidywania podobieństwa semantycznego.Trenuj modele spaCy i poznaj dopasowywanie wzorców
Będziesz ćwiczyć tworzenie prostych i złożonych wzorców dopasowań, aby wyodrębniać określone terminy i frazy z nieustrukturyzowanych danych za pomocą EntityRuler, Matcher i PhraseMatcher. Nauczysz się także, jak tworzyć niestandardowe komponenty potoku oraz dane do trenowania i ewaluacji. Stamtąd zagłębisz się w trenowanie modeli spaCy i w to, jak używać ich do inferencji. W trakcie kursu będziesz pracować na przykładach z życia wziętych i utrwalisz swoją wiedzę na temat korzystania ze spaCy we własnych projektach NLP.Wymagania wstępne
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.
Przetwarzanie języka naturalnego z użyciem spaCy
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Przetwarzanie języka naturalnego z użyciem spaCy już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.