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.
Duración 21 horas
Temario del curso
Desglose detallado del entrenamiento
- Introducción al PLN
- Comprensión del PLN
- Marcos de trabajo (frameworks) para PLN
- Aplicaciones comerciales del PLN
- Extracción de datos de la web
- Trabajo con diversas API para recuperar datos de texto
- Trabajo y almacenamiento de corpus de texto guardando contenido y metadatos relevantes
- Beneficios 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 archivo para corpus
- 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 habla
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus: texto bruto
- Segmentación de oraciones
- Troncamiento (stemming) del texto bruto
- Lematización del texto bruto
- Eliminación de palabras de alto uso (stop words)
- Corpus: oraciones crudas
- Segmentación de palabras
- Lematización de palabras
- Trabajo con matrices Termo-Documento/Documento-Termo
- Segmentación de texto en n-gramas y oraciones
- Preprocesamiento práctico y personalizado
- Corpus: texto bruto
- Análisis de datos de texto
- Características básicas del PLN
- Analizadores y análisis (parsing)
- Etiquetado de parte de la oración (POS) y etiquetadores
- Reconocimiento de entidades nombradas
- N-gramas
- Bolsa de palabras (Bag of words)
- Características estadísticas del PLN
- Conceptos de álgebra lineal para PLN
- Teoría probabilística para PLN
- TF-IDF
- Vectorización
- Codificadores y Decodificadores
- Normalización
- Modelos probabilísticos
- Ingeniería de características avanzada y PLN
- Fundamentos de word2vec
- Componentes del modelo word2vec
- Lógica del modelo word2vec
- Extensión del concepto word2vec
- Aplicación del modelo word2vec
- Estudio de caso: Aplicación de la bolsa de palabras: resumen automático de texto usando los algoritmos simplificados y verdaderos 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, agrupamiento, etc.)
- Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos utilizando Bayes ingenuo y Entropía máxima
- Identificación de elementos de texto importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, factorización de matrices no negativas
- Modelado de temas y recuperación de información usando Análisis Semántico Latente
- Extracción de entidades, análisis de sentimientos y modelado de temas avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de respuesta a ítems
- Etiquetado de parte de la oración y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado de temas avanzado: Alocación de Dirichlet Latente
- Estudios de caso
- Minería de reseñas de usuarios no estructuradas
- Clasificación de sentimientos 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 familiaridad con los principios del PLN y una apreciación de la aplicación de la IA en el negocio
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática
