聯繫我們

課程簡介

詳細培訓大綱

  1. 介紹NLP
    • 理解NLP
    • NLP框架
    • NLP的商業應用
    • 從網頁抓取數據
    • 使用各種API檢索文本數據
    • 處理並存儲文本語料庫,保存內容和相關元數據
    • 使用Python的優勢及NLTK速成課程
  2. 實踐理解語料庫與數據集
    • 為什麼需要語料庫?
    • 語料庫分析
    • 數據屬性類型
    • 不同語料庫的文件格式
    • 為NLP應用準備數據集
  3. 理解句子結構
    • NLP組件
    • 自然語言理解
    • 形態分析 - 詞幹提取、分詞、標註語法成分
    • 句法分析
    • 語義分析
    • 處理歧義
  4. 文本數據預處理
    • 語料庫 - 原始文本
      • 句子分詞
      • 原始文本的詞幹提取
      • 原始文本的詞形還原
      • 移除停用詞
    • 語料庫 - 原始句子
      • 單詞分詞
      • 詞形還原
    • 處理項 - 文檔/文檔 - 項矩陣
    • 將文本Token化並轉換為n-grams及句子
    • 實踐與定制化預處理
  5. 分析文本數據
    • NLP基本特徵
      • 解析器和解析
      • 詞性標註和標註器
      • 命名實體識別
      • n-grams
      • 詞袋模型
    • NLP統計特徵
      • 用於NLP的線性代數概念
      • 用於NLP的概率理論
      • TF-IDF
      • 向量空間模型
      • 編碼器和解碼器
      • 歸一化
      • 概率模型
    • 高級特徵工程與NLP
      • word2vec基礎
      • word2vec模型組件
      • word2vec模型的邏輯
      • word2vec概念的擴展
      • word2vec模型的應用
    • 案例研究:詞袋模型的應用:使用簡化及真實Luhn演算法進行自動文本摘要
  6. 文檔聚類、分類和主題建模
    • 文檔聚類與模式挖掘(分層聚類,k-means,聚類等)
    • 使用TFIDF、Jaccard和餘弦距離度量比較和分類文檔
    • 使用樸素貝葉斯和最大熵進行文檔分類
  7. 識別重要文本元素
    • 降維:主成分分析、奇異值分解,非負矩陣分解
    • 使用潛在語義分析進行主題建模和信息檢索
  8. 實體提取、情感分析與高級主題建模
    • 正面與負面:情感的程度
    • 項目反應理論
    • 詞性標註及其應用:找出文本中提到的人物、地點和組織
    • 高級主題建模:潛在狄利克雷分配
  9. 案例研究
    • 挖掘非結構化用戶評論
    • 產品評論數據的情感分類與可視化
    • 挖掘搜索日誌以了解使用模式
    • 文本分類
    • 主題建模

最低要求

了解NLP原理,並認識到AI在商業中的應用

 21 小時

人數


每位參與者的報價

客戶評論 (1)

即將到來的課程

課程分類