Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Rincian pelatihan
- Pengenalan NLP
- Memahami NLP
- Kerangka Kerja NLP
- Aplikasi komersial NLP
- Menyaring data dari web
- Interaksi dengan berbagai API untuk mengambil data teks
- Penanganan dan penyimpanan korpus teks, termasuk konten dan metadata terkait
- Keuntungan penggunaan Python dan kursus kilas balik NLTK
- Memahami Konsep Korpus dan Dataset secara Praktis
- Mengapa kita membutuhkan korpus?
- Analisis Korpus
- Jenis atribut data
- Berbagai format file untuk korpus
- Persiapan dataset untuk aplikasi NLP
- Memahami Struktur Kalimat
- Komponen NLP
- Pemahaman bahasa alami
- Analisis morfologis - akar kata, kata, token, tag ucapan
- Analisis sintaksis
- Analisis semantik
- Penganganan ambiguitas
- Prapemrosesan data teks
- Korpus - teks mentah
- Tokenisasi kalimat
- Stemming untuk teks mentah
- Lematisasi teks mentah
- Penghapusan kata stop
- Korpus - kalimat mentah
- Tokenisasi kata
- Lematisasi kata
- Penanganan matriks Term-Dokumen/Dokumen-Term
- Tokenisasi teks menjadi n-gram dan kalimat
- Prapemrosesan praktis dan kustom
- Korpus - teks mentah
- Analisis data teks
- Fungsi dasar NLP
- Parser dan penguraian
- POS tagging dan tagger
- Pengenalan entitas bernama
- N-gram
- Bag of words
- Fungsi statistik NLP
- Konsep aljabar linear untuk NLP
- Teori probabilitas untuk NLP
- TF-IDF
- Vektorisasi
- Pengkode dan Pengecod
- Normalisasi
- Model Probabilistik
- Perekayasaan fitur lanjutan dan NLP
- Dasar word2vec
- Komponen model word2vec
- Logika model word2vec
- Ekstensi konsep word2vec
- Aplikasi model word2vec
- Studi kasus: Aplikasi bag of words: ringkasan teks otomatis menggunakan algoritma Luhn yang disederhanakan dan asli
- Fungsi dasar NLP
- Pengelompokan, Klasifikasi, dan Pemodelan Topik Dokumen
- Pengelompokan dokumen dan penambangan pola (pengelompokan hierarkis, k-means, dll.)
- Perbandingan dan klasifikasi dokumen menggunakan TFIDF, Jaccard, dan ukuran jarak kosinus
- Klasifikasi dokumen menggunakan Naïve Bayes dan Maximum Entropy
- Identifikasi Elemen Teks Penting
- Reduksi dimensi: Principal Component Analysis, Singular Value Decomposition, non-negative matrix factorization
- Pemodelan topik dan pengambilan informasi menggunakan Latent Semantic Analysis
- Ekstraksi Entitas, Analisis Sentimen, dan Pemodelan Topik Lanjutan
- Positif vs. negatif: tingkat sentimen
- Teori Respons Item
- POS tagging dan penerapannya: menemukan orang, tempat, dan organisasi yang disebutkan dalam teks
- Pemodelan topik lanjutan: Latent Dirichlet Allocation
- Studi kasus
- Penambangan ulasan pengguna yang tidak terstruktur
- Klasifikasi dan visualisasi sentimen data ulasan produk
- Penambangan log pencarian untuk pola penggunaan
- Klasifikasi teks
- Pemodelan topik
Persyaratan
Pengetahuan dan pemahaman tentang prinsip-prinsip NLP serta kesadaran akan penerapan AI dalam bisnis
21 Jam
Testimoni (1)
Dukungan individu
Simon the 2nd - Cboost
Kursus - ROS: Programming for Robotics
Diterjemahkan Mesin
