คอร์ส
Natural Language Processing with spaCy
ระดับกลางระดับทักษะ
อัปเดตแล้ว 07/2568
PythonMachine Learning4 ชม.15 วิดีโอ53 แบบฝึกหัด4,450 XP8,268ใบรับรองความสำเร็จ
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง
กำลังฝึกอบรมทีม?
ลองใช้สำหรับธุรกิจคำอธิบายคอร์ส
Meet spaCy, an Industry-Standard for NLP
In this course, you will learn how to use spaCy, a fast-growing industry-standard library, to perform various natural language processing tasks such as tokenization, sentence segmentation, parsing, and named entity recognition. spaCy can provide powerful, easy-to-use, and production-ready features across a wide range of natural language processing tasks.Learn the Core Operations of spaCy
You will start by learning the core operations of spaCy and how to use them to parse text and extract information from unstructured data. Then, you will work with spaCy’s classes, such as Doc, Span, and Token, and learn how to use different spaCy components for calculating word vectors and predicting semantic similarity.Train spaCy Models and Learn About Pattern Matching
You will practice writing simple and complex matching patterns to extract given terms and phrases using EntityRuler, Matcher, and PhraseMatcher from unstructured data. You will also learn how to create custom pipeline components and create training/evaluation data. From there, you will dive into training spaCy models and how to use them for inference. Throughout the course, you will work on real-world examples and solidify your understanding of using spaCy in your own NLP projects.ข้อกำหนดเบื้องต้น
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.
Natural Language Processing with spaCy
คอร์สเสร็จสมบูรณ์ รับใบรับรองความสำเร็จ
เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณแชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที
ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Natural Language Processing with spaCy วันนี้!
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา