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 curso
- Introducción al PLN
- Comprensión del PLN
- Marcos de trabajo para el PLN
- Aplicaciones comerciales del PLN
- Extracción de datos desde la web
- Uso de diversas APIs para recuperar datos textuales
- Trabajo y almacenamiento de corpora textuales, guardando el contenido y metadatos relevantes
- Ventajas de usar Python y curso intensivo de NLTK
- Comprensión práctica de un corpus y un conjunto de datos
- ¿Por qué necesitamos un corpus?
- Análisis del 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 las oraciones
- Componentes del PLN
- Comprensión del lenguaje natural
- Análisis morfológico: base léxica, palabra, token, etiquetas gramaticales
- Análisis sintáctico
- Análisis semántico
- Gestión de la ambigüedad
- Preprocesamiento de datos textuales
- Corpus: texto sin procesar
- Tokenización de oraciones
- Lematización de 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 textuales
- Características básicas del PLN
- Analizadores sintácticos y análisis sintáctico
- Etiquetado POS (parte de la oración) 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 descodificadores
- 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
- Estudio de caso: Aplicación de la bolsa de palabras: resumen automático de textos utilizando algoritmos simplificados y verdaderos de Luhn
- Características básicas del PLN
- Agrupamiento, clasificación y modelado de tópicos de documentos
- Agrupamiento de documentos y minería de patrones (agrupamiento jerárquico, k-medias, clustering, etc.)
- Comparación y clasificación de documentos utilizando 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, factorización matricial no negativa
- Modelado de tópicos y recuperación de información usando Análisis Semántico Latente
- Extracción de entidades, análisis de sentimiento y modelado avanzado de tópicos
- Positivo vs. negativo: grado de sentimiento
- Teoría de Respuesta al Ítem
- Etiquetado POS y su aplicación: búsqueda de personas, lugares y organizaciones mencionadas en el texto
- Modelado avanzado de tópicos: Distribución Dirichlet Latente
- Estudios de caso
- Minería de reseñas de usuarios no estructuradas
- Clasificación y visualización del sentimiento en datos de reseñas de productos
- Minería de registros de búsqueda para patrones de uso
- Clasificación de texto
- Modelado de tópicos
Requerimientos
Conocimientos y conciencia sobre los principios del PLN y una valoración de las aplicaciones de la IA en los negocios
21 Horas
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática