Name: Feature Engineering for NLP in Python
Rating: 4.8561643835616435 (146 reviews)

รายละเอียดคอร์ส

ในคอร์สนี้ คุณจะได้เรียนรู้เทคนิคการดึงข้อมูลที่มีประโยชน์จากข้อความ และแปลงข้อมูลเหล่านั้นให้อยู่ในรูปแบบที่เหมาะสมสำหรับการนำ ML มาใช้งาน โดยเฉพาะอย่างยิ่ง จะได้เรียนรู้เรื่อง POS tagging, named entity recognition, คะแนนความอ่านง่าย, โมเดล n-gram และ tf-idf รวมถึงวิธีนำไปใช้งานด้วย scikit-learn และ spaCy นอกจากนี้ยังจะได้เรียนรู้วิธีวัดความคล้ายคลึงระหว่างเอกสารสองชิ้น ตลอดคอร์สจะได้ฝึกทำนายความรู้สึกของรีวิวภาพยนตร์ และสร้างระบบแนะนำภาพยนตร์กับ TED Talk เมื่อจบคอร์ส คุณจะสามารถสร้าง feature ที่สำคัญจากข้อความใด ๆ และแก้ปัญหาที่ท้าทายที่สุดบางอย่างใน data science ได้!

ข้อกำหนดเบื้องต้น

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

หลักสูตร

โครงสร้างคอร์ส

Feature พื้นฐานและคะแนนความอ่านง่าย

เรียนรู้วิธีคำนวณ feature พื้นฐาน เช่น จำนวนคำ จำนวนตัวอักษร ความยาวเฉลี่ยของคำ และจำนวนอักขระพิเศษ (เช่น แฮชแท็กและการกล่าวถึงใน Twitter) นอกจากนี้ยังจะได้เรียนรู้วิธีคำนวณคะแนนความอ่านง่าย เพื่อประเมินระดับการศึกษาที่จำเป็นสำหรับการทำความเข้าใจข้อความแต่ละชิ้น

เริ่มบทเรียน

การประมวลผลข้อความ, POS tagging และ NER

ในบทนี้จะได้เรียนรู้เรื่อง tokenization และ lemmatization จากนั้นจะได้เรียนรู้วิธีทำความสะอาดข้อความ, part-of-speech tagging และ named entity recognition โดยใช้ไลบรารี spaCy เมื่อเข้าใจแนวคิดเหล่านี้แล้ว จะได้ฝึกแปลงสุนทรพจน์ Gettysburg ให้เครื่องอ่านได้, วิเคราะห์การใช้คำนามในข่าวปลอม และระบุบุคคลที่ถูกกล่าวถึงในบทความจาก TechCrunch

เริ่มบทเรียน

โมเดล N-Gram

เรียนรู้เรื่อง n-gram modeling และนำไปใช้วิเคราะห์ความรู้สึก (sentiment analysis) จากรีวิวภาพยนตร์

เริ่มบทเรียน

TF-IDF และคะแนนความคล้ายคลึง

เรียนรู้วิธีคำนวณค่าน้ำหนัก tf-idf และคะแนน cosine similarity ระหว่างเวกเตอร์สองตัว จากนั้นจะได้นำแนวคิดเหล่านี้ไปสร้างระบบแนะนำภาพยนตร์และ TED Talk และยังจะได้เรียนรู้เรื่อง word embeddings รวมถึงการใช้การแทนค่าด้วย word vector เพื่อคำนวณความคล้ายคลึงระหว่างเพลงของ Pink Floyd