After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
认识 spaCy，NLP 的行业标准
在本课程中，您将学习如何使用 spaCy 这一快速发展的行业标准库，来执行各种自然语言处理任务，例如分词、句子切分、句法分析和命名实体识别。spaCy 可为广泛的自然语言处理任务提供强大、易用且可直接用于生产环境的功能。学习 spaCy 的核心操作
你将首先学习 spaCy 的核心操作，以及如何利用它们解析文本并从非结构化数据中提取信息。 然后，你将使用 spaCy 的类，例如 Doc、Span 和 Token，并学习如何使用不同的 spaCy 组件来计算词向量并预测语义相似度。训练 spaCy 模型并了解模式匹配
您将实践使用 EntityRuler、Matcher 和 PhraseMatcher 从非结构化数据中提取给定术语和短语，编写简单和复杂的匹配模式。 您还将学习如何创建自定义管道组件以及创建训练/评估数据。 从那里开始，你将深入学习如何训练 spaCy 模型，以及如何将它们用于推理。 在整个课程中，你将通过真实案例进行实践，并巩固在自己的 NLP 项目中使用 spaCy 的理解。先修要求
课程大纲
课程大纲
1
NLP 与 spaCy 入门
本章将带您初步了解 NLP，以及它的一些应用场景，如命名实体识别和由 AI 驱动的聊天机器人。您将学习如何使用强大的 spaCy 库来完成多种自然语言处理任务，例如分词、句子切分、词性标注和命名实体识别。
2
spaCy 的语言学标注与词向量
学习语言学特征、词向量、语义相似度、类比关系，以及词向量运算。在本章中，您将了解如何使用 spaCy 提取词向量，对与给定主题相关的文本进行分类，并从语料库或 spaCy 模型词汇表中找到与给定词语在语义上相似的术语。
3
使用 spaCy 进行数据分析
熟悉 spaCy 的管道组件、如何添加管道组件，以及如何分析 NLP 管道。您还将学习基于规则的信息抽取的多种方法，包括使用 spaCy 中的 EntityRuler、Matcher 和 PhraseMatcher 类，以及 Python 的 RegEx 包。
4
自定义 spaCy 模型
探索多个真实使用场景中 spaCy 模型可能失效的情况，并学习如何进一步训练以提升模型表现。您将认识 spaCy 的训练流程，理解如何在现有 spaCy 模型上继续训练或从零开始训练，并在推理阶段对模型进行评估。
使用 spaCy 的自然语言处理
课程完成
