ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Feature Engineering for NLP in Python

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 11/2567

Learn techniques to extract useful information from text and process them into a format suitable for machine learning.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.15 videos52 Exercises4,200 เอ็กซ์พี28,897คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

In this course, you will learn techniques that will allow you to extract useful information from text and process them into a format suitable for applying ML models. More specifically, you will learn about POS tagging, named entity recognition, readability scores, the n-gram and tf-idf models, and how to implement them using scikit-learn and spaCy. You will also learn to compute how similar two documents are to each other. In the process, you will predict the sentiment of movie reviews and build movie and Ted Talk recommenders. Following the course, you will be able to engineer critical features out of any text and solve some of the most challenging problems in data science!

ข้อกำหนดเบื้องต้น

Introduction to Natural Language Processing in Python Supervised Learning with scikit-learn

1

Basic features and readability scores

Learn to compute basic features such as number of words, number of characters, average word length and number of special characters (such as Twitter hashtags and mentions). You will also learn to compute readability scores and determine the amount of education required to comprehend a piece of text.

Introduction to NLP feature engineering

50 เอ็กซ์พี

Data format for ML algorithms

50 เอ็กซ์พี

One-hot encoding

100 เอ็กซ์พี

Basic feature extraction

50 เอ็กซ์พี

Character count of Russian tweets

100 เอ็กซ์พี

Word count of TED talks

100 เอ็กซ์พี

Hashtags and mentions in Russian tweets

100 เอ็กซ์พี

Readability tests

50 เอ็กซ์พี

Readability of 'The Myth of Sisyphus'

100 เอ็กซ์พี

Readability of various publications

100 เอ็กซ์พี

เริ่มบท

2

Text preprocessing, POS tagging and NER

In this chapter, you will learn about tokenization and lemmatization. You will then learn how to perform text cleaning, part-of-speech tagging, and named entity recognition using the spaCy library. Upon mastering these concepts, you will proceed to make the Gettysburg address machine-friendly, analyze noun usage in fake news, and identify people mentioned in a TechCrunch article.

Tokenization and Lemmatization

50 เอ็กซ์พี

Identifying lemmas

50 เอ็กซ์พี

Tokenizing the Gettysburg Address

100 เอ็กซ์พี

Lemmatizing the Gettysburg address

100 เอ็กซ์พี

Text cleaning

50 เอ็กซ์พี

Cleaning a blog post

100 เอ็กซ์พี

Cleaning TED talks in a dataframe

100 เอ็กซ์พี

Part-of-speech tagging

50 เอ็กซ์พี

POS tagging in Lord of the Flies

100 เอ็กซ์พี

Counting nouns in a piece of text

100 เอ็กซ์พี

Noun usage in fake news

100 เอ็กซ์พี

Named entity recognition

50 เอ็กซ์พี

Named entities in a sentence

100 เอ็กซ์พี

Identifying people mentioned in a news article

100 เอ็กซ์พี

เริ่มบท

3

N-Gram models

Learn about n-gram modeling and use it to perform sentiment analysis on movie reviews.

Building a bag of words model

50 เอ็กซ์พี

Word vectors with a given vocabulary

50 เอ็กซ์พี

BoW model for movie taglines

100 เอ็กซ์พี

Analyzing dimensionality and preprocessing

100 เอ็กซ์พี

Mapping feature indices with feature names

100 เอ็กซ์พี

Building a BoW Naive Bayes classifier

50 เอ็กซ์พี

BoW vectors for movie reviews

100 เอ็กซ์พี

Predicting the sentiment of a movie review

100 เอ็กซ์พี

Building n-gram models

50 เอ็กซ์พี

n-gram models for movie tag lines

100 เอ็กซ์พี

Higher order n-grams for sentiment analysis

100 เอ็กซ์พี

Comparing performance of n-gram models

100 เอ็กซ์พี

เริ่มบท

4

TF-IDF and similarity scores

Learn how to compute tf-idf weights and the cosine similarity score between two vectors. You will use these concepts to build a movie and a TED Talk recommender. Finally, you will also learn about word embeddings and using word vector representations, you will compute similarities between various Pink Floyd songs.

Building tf-idf document vectors

50 เอ็กซ์พี

tf-idf weight of commonly occurring words

50 เอ็กซ์พี

tf-idf vectors for TED talks

100 เอ็กซ์พี

Cosine similarity

50 เอ็กซ์พี

Range of cosine scores

50 เอ็กซ์พี

Computing dot product

100 เอ็กซ์พี

Cosine similarity matrix of a corpus

100 เอ็กซ์พี

Building a plot line based recommender

50 เอ็กซ์พี

Comparing linear_kernel and cosine_similarity

100 เอ็กซ์พี

Plot recommendation engine

100 เอ็กซ์พี

The recommender function

100 เอ็กซ์พี

TED talk recommender

100 เอ็กซ์พี

Beyond n-grams: word embeddings

50 เอ็กซ์พี

Generating word vectors

100 เอ็กซ์พี

Computing similarity of Pink Floyd songs

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Feature Engineering for NLP in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Machine Learning Scientist in Python

Natural Language Processing in Python

instructors

Rounak Banik

Data Scientist at Fractal Analytics

collaborators

Adrián Soto

Hillary Green-Lerman

Courses resources

Russian Troll Tweetsdatasets

Movie Overviews and Taglinesdatasets

Preprocessed Movie Reviewsdatasets

TED Talk Transcriptsdatasets

Real and Fake News Headlinesdatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Feature Engineering for NLP in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา