Name: การประมวลผลภาษาธรรมชาติด้วย spaCy
Rating: 4.795121951219512 (615 reviews)

รายละเอียดคอร์ส

ทำความรู้จักกับ spaCy มาตรฐานอุตสาหกรรมสำหรับ NLP

ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีใช้ spaCy ซึ่งเป็นไลบรารีมาตรฐานอุตสาหกรรมที่เติบโตอย่างรวดเร็ว เพื่อทำงานด้านการประมวลผลภาษาธรรมชาติหลากหลายรูปแบบ เช่น การแบ่งคำ การแบ่งประโยค การวิเคราะห์โครงสร้างประโยค และการรู้จำชื่อเอนทิตี spaCy มอบฟีเจอร์ที่ทรงพลัง ใช้งานง่าย และพร้อมใช้งานจริงในระบบโปรดักชัน ครอบคลุมงานด้านการประมวลผลภาษาธรรมชาติได้อย่างกว้างขวาง

เรียนรู้การทำงานหลักของ spaCy

คุณจะเริ่มต้นด้วยการเรียนรู้การทำงานหลักของ spaCy และวิธีใช้มันเพื่อวิเคราะห์ข้อความและดึงข้อมูลจากข้อมูลที่ไม่มีโครงสร้าง จากนั้น คุณจะได้ทำงานกับคลาสต่าง ๆ ของ spaCy เช่น Doc, Span และ Token และเรียนรู้วิธีใช้คอมโพเนนต์ต่าง ๆ ของ spaCy สำหรับการคำนวณเวกเตอร์คำและการทำนายความคล้ายคลึงเชิงความหมาย

ฝึกโมเดล spaCy และเรียนรู้เกี่ยวกับการจับคู่รูปแบบ

คุณจะได้ฝึกเขียนรูปแบบการจับคู่ทั้งแบบง่ายและซับซ้อนเพื่อดึงคำและวลีที่กำหนดออกมาจากข้อมูลที่ไม่มีโครงสร้าง โดยใช้ EntityRuler, Matcher และ PhraseMatcher คุณจะได้เรียนรู้วิธีสร้างคอมโพเนนต์ไปป์ไลน์แบบกำหนดเองและสร้างข้อมูลสำหรับการฝึกอบรม/การประเมินผลด้วย จากนั้น คุณจะได้เจาะลึกการฝึกโมเดล spaCy และวิธีใช้งานเพื่อการอนุมาน ตลอดทั้งหลักสูตร คุณจะได้ทำงานกับตัวอย่างจากโลกจริงและเสริมความเข้าใจในการใช้ spaCy ในโปรเจกต์ NLP ของคุณเอง

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn Python Toolbox

หลักสูตร

โครงสร้างคอร์ส

บทนำสู่ NLP และ spaCy

บทนี้จะแนะนำ NLP และกรณีการใช้งาน เช่น การรู้จำชื่อเฉพาะและแชตบอตที่ขับเคลื่อนด้วย AI จากนั้นจะเรียนรู้วิธีใช้ไลบรารี spaCy เพื่อทำงาน NLP หลากหลาย ได้แก่ การตัดคำ การแบ่งประโยค การติดแท็ก POS และการรู้จำชื่อเฉพาะ

เริ่มบทเรียน

การวิเคราะห์ทางภาษาศาสตร์และ Word Vectors ใน spaCy

เรียนรู้เกี่ยวกับคุณลักษณะทางภาษาศาสตร์ word vectors ความคล้ายคลึงเชิงความหมาย analogy และการดำเนินการกับ word vectors ในบทนี้จะได้ฝึกใช้ spaCy ในการดึง word vectors จัดหมวดหมู่ข้อความตามหัวข้อที่กำหนด และค้นหาคำที่มีความหมายใกล้เคียงกันจาก corpus หรือจาก vocabulary ของโมเดล spaCy

เริ่มบทเรียน

การวิเคราะห์ข้อมูลด้วย spaCy

ทำความรู้จักกับ pipeline component ใน spaCy วิธีเพิ่ม component และการวิเคราะห์ NLP pipeline นอกจากนี้ยังครอบคลุมแนวทางต่าง ๆ สำหรับการดึงข้อมูลแบบ rule-based โดยใช้คลาส EntityRuler, Matcher และ PhraseMatcher ใน spaCy รวมถึงแพ็กเกจ RegEx ของ Python

เริ่มบทเรียน

การปรับแต่งโมเดล spaCy

สำรวจกรณีการใช้งานจริงที่โมเดล spaCy อาจให้ผลลัพธ์ไม่แม่นยำ และเรียนรู้วิธีเทรนเพิ่มเติมเพื่อพัฒนาประสิทธิภาพโมเดล จะได้รู้จักขั้นตอนการเทรนของ spaCy ทั้งการเทรนต่อจากโมเดลที่มีอยู่และการเทรนตั้งแต่เริ่มต้น รวมถึงการประเมินโมเดลในช่วง inference