Build your ultimate AI agent
รายละเอียดคอร์ส
ทำความรู้จักกับ spaCy มาตรฐานอุตสาหกรรมสำหรับ NLP
ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีใช้ spaCy ซึ่งเป็นไลบรารีมาตรฐานอุตสาหกรรมที่เติบโตอย่างรวดเร็ว เพื่อทำงานด้านการประมวลผลภาษาธรรมชาติหลากหลายรูปแบบ เช่น การแบ่งคำ การแบ่งประโยค การวิเคราะห์โครงสร้างประโยค และการรู้จำชื่อเอนทิตี spaCy มอบฟีเจอร์ที่ทรงพลัง ใช้งานง่าย และพร้อมใช้งานจริงในระบบโปรดักชัน ครอบคลุมงานด้านการประมวลผลภาษาธรรมชาติได้อย่างกว้างขวางเรียนรู้การทำงานหลักของ spaCy
คุณจะเริ่มต้นด้วยการเรียนรู้การทำงานหลักของ spaCy และวิธีใช้มันเพื่อวิเคราะห์ข้อความและดึงข้อมูลจากข้อมูลที่ไม่มีโครงสร้าง จากนั้น คุณจะได้ทำงานกับคลาสต่าง ๆ ของ spaCy เช่น Doc, Span และ Token และเรียนรู้วิธีใช้คอมโพเนนต์ต่าง ๆ ของ spaCy สำหรับการคำนวณเวกเตอร์คำและการทำนายความคล้ายคลึงเชิงความหมายฝึกโมเดล spaCy และเรียนรู้เกี่ยวกับการจับคู่รูปแบบ
คุณจะได้ฝึกเขียนรูปแบบการจับคู่ทั้งแบบง่ายและซับซ้อนเพื่อดึงคำและวลีที่กำหนดออกมาจากข้อมูลที่ไม่มีโครงสร้าง โดยใช้ EntityRuler, Matcher และ PhraseMatcher คุณจะได้เรียนรู้วิธีสร้างคอมโพเนนต์ไปป์ไลน์แบบกำหนดเองและสร้างข้อมูลสำหรับการฝึกอบรม/การประเมินผลด้วย จากนั้น คุณจะได้เจาะลึกการฝึกโมเดล spaCy และวิธีใช้งานเพื่อการอนุมาน ตลอดทั้งหลักสูตร คุณจะได้ทำงานกับตัวอย่างจากโลกจริงและเสริมความเข้าใจในการใช้ spaCy ในโปรเจกต์ NLP ของคุณเองข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
บทนำสู่ NLP และ spaCy
บทนี้จะแนะนำ NLP และกรณีการใช้งาน เช่น การรู้จำชื่อเฉพาะและแชตบอตที่ขับเคลื่อนด้วย AI จากนั้นจะเรียนรู้วิธีใช้ไลบรารี spaCy เพื่อทำงาน NLP หลากหลาย ได้แก่ การตัดคำ การแบ่งประโยค การติดแท็ก POS และการรู้จำชื่อเฉพาะ
- พื้นฐาน Natural Language Processing (NLP)50 XP
- Doc container ใน spaCy100 XP
- กรณีการใช้งาน NER50 XP
- การทำ Tokenization ด้วย spaCy100 XP
- พื้นฐาน spaCy50 XP
- การรัน spaCy pipeline100 XP
- Lemmatization ด้วย spaCy100 XP
- การแบ่งประโยคด้วย spaCy100 XP
- คุณลักษณะทางภาษาศาสตร์ใน spaCy50 XP
- การทำ POS Tagging ด้วย spaCy100 XP
- NER ด้วย spaCy100 XP
- การประมวลผลข้อความด้วย spaCy100 XP
2
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
3
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
4
การปรับแต่งโมเดล spaCy
สำรวจกรณีการใช้งานจริงที่โมเดล spaCy อาจให้ผลลัพธ์ไม่แม่นยำ และเรียนรู้วิธีเทรนเพิ่มเติมเพื่อพัฒนาประสิทธิภาพโมเดล จะได้รู้จักขั้นตอนการเทรนของ spaCy ทั้งการเทรนต่อจากโมเดลที่มีอยู่และการเทรนตั้งแต่เริ่มต้น รวมถึงการประเมินโมเดลในช่วง inference
การประมวลผลภาษาธรรมชาติด้วย spaCy
เรียนจบแล้ว
