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 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
- 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
- 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
- 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
- Corpus - texto sin procesar
- 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
- Características básicas del NLP
- 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
- 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)
- 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)
- 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
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática