Contacta con nosotros

Temario del curso

Temario detallado del curso

  1. Introducción al Procesamiento del Lenguaje Natural
    • Comprensión del NLP
    • Marcos de trabajo para NLP
    • Aplicaciones comerciales del NLP
    • Obtención de datos desde la web (scraping)
    • Trabajo con diversas APIs para recuperar datos de texto
    • Manejo y almacenamiento de corpus de textos, guardando el contenido y los metadatos relevantes
    • Ventajas de utilizar Python y curso intensivo sobre NLTK
  2. 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 corpus
    • Preparación de un conjunto de datos para aplicaciones de NLP
  3. Comprensión de la Estructura de las Oraciones
    • Componentes del NLP
    • Entendimiento del lenguaje natural
    • Análisis morfológico - raíz, palabra, token, etiquetas gramaticales
    • Análisis sintáctico
    • Análisis semántico
    • Gestión de la ambigüedad
  4. Preprocesamiento de datos de texto
    • Corpus - texto sin procesar
      • Tokenización por oraciones
      • Stemming para texto sin procesar
      • Lematización de texto sin procesar
      • Eliminación de palabras vacías (stop words)
    • Corpus - oraciones sin procesar
      • Tokenización por palabras
      • Lematización de palabras
    • Trabajo con matrices Término-Documento / Documento-Término
    • Tokenización de texto en n-gramas y oraciones
    • Preprocesamiento práctico y personalizado
  5. Análisis de datos de texto
    • Características básicas del NLP
      • Analizadores (parsers) y análisis sintáctico
      • Etiquetado gramatical (POS tagging) y etiquetas
      • Reconocimiento de entidades nombradas
      • n-gramas
      • Bolsa de palabras (Bag of words)
    • Características estadísticas del NLP
      • Conceptos de álgebra lineal para NLP
      • Teoría probabilística para NLP
      • TF-IDF
      • Vectorización
      • Codificadores y descodificadores
      • Normalización
      • Modelos probabilísticos
    • Ingeniería avanzada de características y NLP
      • 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 textos utilizando los algoritmos simplificados y verdadero de Luhn
  6. Agrupamiento de documentos, clasificación y modelado temático
    • Agrupamiento de documentos y minería de patrones (agrupamiento jerárquico, k-means, clustering, etc.)
    • Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
    • Clasificación de documentos usando Bayes ingenuo (Naïve Bayes) y Máxima Entropía
  7. Identificación de elementos importantes del texto
    • Reducción de dimensionalidad: Análisis de componentes principales (PCA), Descomposición en valores singulares (SVD) y factorización no negativa de matrices
    • Modelado temático y recuperación de información mediante Análisis Semántico Latente (LSA)
  8. Extracción de entidades, análisis de sentimientos y modelado temático avanzado
    • Positivo frente a negativo: grado de sentimiento
    • Teoría de Respuesta al Ítem
    • Etiquetado gramatical y su aplicación: identificación de personas, lugares y organizaciones mencionadas en el texto
    • Modelado temático avanzado: Modelo de Dirichlet Latente (LDA)
  9. Casos de estudio
    • Minería de reseñas no estructuradas de usuarios
    • Clasificación y visualización del sentimiento en datos de reseñas de productos
    • Minería de registros de búsqueda para patrones de uso
    • Clasificación de texto
    • Modelado temático

Requerimientos

Conocimiento y comprensión de los principios del Procesamiento del Lenguaje Natural y apreciación de las aplicaciones de la IA en los negocios

 21 Horas

Número de participantes


Precio por participante

Reseñas (1)

Próximos cursos

Categorías Relacionadas