After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Giống như mọi khóa học nền tảng, Nhập môn Xử lý Ngôn ngữ Tự nhiên với R được thiết kế để trang bị cho bạn các công cụ cần thiết để bắt đầu hành trình phân tích văn bản. Natural language processing (NLP) là một lĩnh vực luôn phát triển trong khoa học dữ liệu, với nhiều bước tiến thú vị trong thập kỷ qua. Khóa học này sẽ bao quát những kiến thức cơ bản và giúp bạn sẵn sàng mở rộng năng lực phân tích. Chúng ta sẽ tìm hiểu regular expressions, topic modeling, named entity recognition và các nội dung khác, đi kèm các ví dụ chi tiết mà bạn có thể dùng để khởi động những phân tích sau này.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Những nền tảng cốt lõi
Chương 1 của Nhập môn Xử lý Ngôn ngữ Tự nhiên chuẩn bị cho bạn chạy phân tích văn bản đầu tiên. Bạn sẽ khám phá regular expressions và tokenization, hai thành phần phổ biến nhất trong hầu hết các tác vụ phân tích. Với regular expressions, bạn có thể tìm kiếm bất kỳ mẫu nào bạn nghĩ đến; còn với tokenization, bạn có thể chuẩn bị và làm sạch văn bản cho các phân tích nâng cao hơn. Chương này là bước đệm cần thiết để xử lý các kỹ thuật mà chúng ta sẽ học ở những chương tiếp theo của khóa học.
- Những điều cơ bản về biểu thức chính quy50 XP
- Luyện tập cú pháp với grep100 XP
- Khám phá các hàm biểu thức chính quy.100 XP
- Tách token (Tokenization)50 XP
- Các hàm của tidytext50 XP
- Tokenization: câu100 XP
- Những điều cơ bản về làm sạch văn bản50 XP
- Tiền xử lý văn bản: loại bỏ stop words100 XP
- Tiền xử lý văn bản: Stemming100 XP
2
Biểu diễn văn bản
Trong chương này, bạn sẽ học các cách phân tích văn bản phổ biến và được nghiên cứu nhiều nhất. Bạn sẽ xem cách tạo một text corpus, mở rộng biểu diễn bag-of-words thành ma trận TFIDF, và dùng thước đo cosine-similarity để xác định mức độ tương đồng giữa hai đoạn văn bản. Bạn sẽ củng cố nền tảng để thực hành NLP trước khi đi sâu vào các ứng dụng của NLP ở chương 3 và 4.
3
Ứng dụng: Phân loại và Topic Modeling
Chương 3 tập trung vào hai cách tiếp cận phân tích văn bản phổ biến: mô hình phân loại và topic modeling. Nếu bạn làm việc với các dự án phân tích văn bản, bạn gần như chắc chắn sẽ dùng một hoặc cả hai phương pháp này. Chương này hướng dẫn bạn cách thực hiện cả hai kỹ thuật và cung cấp góc nhìn thực tiễn về cách tiếp cận chúng.
4
Kỹ thuật nâng cao
Ở chương 4, chúng ta tìm hiểu hai trụ cột của xử lý ngôn ngữ tự nhiên: sentiment analysis và word embeddings. Đây là hai kỹ thuật phân tích mà bất kỳ ai học nền tảng phân tích văn bản cũng nên biết. Bên cạnh đó, bạn sẽ lướt qua BERT, gán nhãn từ loại (part-of-speech tagging), và named entity recognition. Gần 15 kỹ thuật phân tích khác nhau đã được đề cập trong khóa học, vì vậy chương 4 sẽ kết thúc bằng phần tổng kết lại tất cả các kỹ thuật hữu ích mà bạn sẽ học trong khóa này.
R
Nhập môn Xử lý Ngôn ngữ Tự nhiên với R
Hoàn
thành khóa học
