Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Esquema detallado de la formación
- Introducción al PLN
- Comprensión del PLN
- Frameworks de PLN
- Aplicaciones comerciales del PLN
- Obtención de datos de la web
- Trabajo con diversas APIs para recuperar datos de texto
- Trabajo y almacenamiento de corpora de texto, guardando el contenido y los metadatos relevantes
- Ventajas de utilizar Python y curso intensivo de NLTK
- Comprensión práctica de un corpus y un conjunto de datos
- ¿Por qué necesitamos un corpus?
- Análisis de corpus
- Tipos de atributos de datos
- Diferentes formatos de archivo para corpora
- Preparación de un conjunto de datos para aplicaciones de PLN
- Comprensión de la estructura de una oración
- Componentes del PLN
- Comprensión del lenguaje natural
- Análisis morfológico: raíz, palabra, token, etiquetas gramaticales
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus: texto sin procesar
- Tokenización de oraciones
- Stemming para texto sin procesar
- Lematización de texto sin procesar
- Eliminación de palabras vacías
- Corpus: oraciones sin procesar
- Tokenización de palabras
- Lematización de palabras
- Trabajo con matrices Término-Documento / Documento-Término
- Tokenización de texto en n-gramas y oraciones
- Preprocesamiento práctico y personalizado
- Corpus: texto sin procesar
- Análisis de datos de texto
- Características básicas del PLN
- Analizadores y análisis sintáctico
- Etiquetado gramatical y etiquetadores
- Reconocimiento de entidades nominales
- N-gramas
- Bolsa de palabras
- Características estadísticas del PLN
- Conceptos de álgebra lineal para PLN
- Teoría probabilística para PLN
- TF-IDF
- Vectorización
- Codificadores y decodificadores
- Normalización
- Modelos probabilísticos
- Ingeniería avanzada de características y PLN
- Fundamentos de word2vec
- Componentes del modelo word2vec
- Lógica del modelo word2vec
- Extensión del concepto de word2vec
- Aplicación del modelo word2vec
- Estudio de caso: Aplicación de la bolsa de palabras: resumen automático de texto utilizando los algoritmos simplificados y auténticos de Luhn
- Características básicas del PLN
- Agrupación de documentos, clasificación y modelado de temas
- Agrupación de documentos y minería de patrones (agrupación jerárquica, k-means, clustering, etc.)
- Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos utilizando Bayes Naive y Máxima Entropía
- Identificación de elementos de texto importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares y Factorización Matricial No Negativa
- Modelado de temas y recuperación de información mediante Análisis Semántico Latente
- Extracción de entidades, análisis de sentimiento y modelado avanzado de temas
- Positivo frente a negativo: grado de sentimiento
- Teoría de Respuesta al Ítem
- Etiquetado gramatical y su aplicación: identificación de personas, lugares y organizaciones mencionados en el texto
- Modelado avanzado de temas: Asignación Dirichlet Latente
- Estudios de caso
- Minería de reseñas de usuarios no estructuradas
- Clasificación de sentimiento y visualización de datos de reseñas de productos
- Minería de registros de búsqueda para patrones de uso
- Clasificación de texto
- Modelado de temas
Requerimientos
Conocimiento y comprensión de los principios del PLN y una valoración de la aplicación de la IA en el ámbito empresarial
21 Horas
Testimonios (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática