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
Temario detallado del entrenamiento
- Introducción al PLN
- Comprensión del PLN
- Frameworks de PLN
- Aplicaciones comerciales del PLN
- Extracción 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 metadatos relevantes
- Ventajas de usar Python y curso intensivo de NLTK
- Comprensión práctica de un Corpus y Conjunto de Datos
- ¿Por qué necesitamos un corpus?
- Análisis de corpus
- Tipos de atributos de datos
- Diferentes formatos de archivos para corpora
- Preparación de un conjunto de datos para aplicaciones de PLN
- Comprensión de la Estructura de las Oraciones
- Componentes del PLN
- Comprensión del lenguaje natural
- Análisis morfológico: raíz, palabra, token, etiquetas de parte del habla
- 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
- Etiquetado POS y etiquetadores
- Reconocimiento de entidades nombradas
- 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 word2vec
- Aplicación del modelo word2vec
- Caso de estudio: Aplicación de la bolsa de palabras: resumen automático de texto usando algoritmos simplificados y reales de Luhn
- Características básicas del PLN
- Agrupación, Clasificación de Documentos y Modelado de Temas
- Agrupación de documentos y minería de patrones (clustering jerárquico, k-means, clustering, etc.)
- Comparación y clasificación de documentos usando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos usando Bayes ingenuo y Máxima Entropía
- Identificación de Elementos de Texto Importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares (SVD) y Factorización de Matrices No Negativas
- Modelado de temas y recuperación de información usando Análisis Semántico Latente
- Extracción de Entidades, Análisis de Sentimiento y Modelado de Temas Avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de Respuesta al Ítem
- Etiquetado de partes del habla y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado de temas avanzado: Distribución de Dirichlet Latente (LDA)
- Casos de estudio
- 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 conciencia de los principios del PLN y una apreciación de la aplicación de la IA en los negocios
21 Horas
Testimonios (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática