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.
Duración 21 horas
Temario del curso
Plan de capacitación detallado
- Introducción a NLP
- Comprensión de NLP
- Framework de NLP
- Aplicaciones comerciales de NLP
- Extracción de datos de la web (scraping)
- Trabajo con diversas APIs para recuperar datos de texto
- Trabajo y almacenamiento de corpus de texto, guardando contenido y metadatos relevantes
- Ventajas de utilizar Python y curso intensivo de NLTK
- Comprensión práctica de un Corpus y un 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 de NLP
- Comprensión del lenguaje natural
- Análisis morfológico: raíz, palabra, token, etiquetas de habla
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus - texto bruto
- Tokenización de oraciones
- Extracción de raíces (stemming) del texto bruto
- Lematización del texto bruto
- Eliminación de palabras de relleno (stop words)
- Corpus - oraciones crudas
- 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 bruto
- Análisis de datos de texto
- Características básicas de NLP
- Analizadores (parsers) y análisis (parsing)
- Etiquetado de palabras (POS) y etiquetadores
- Reconocimiento de entidades nombradas
- N-gramas
- Bolsa de palabras (bag of words)
- Características estadísticas de NLP
- Conceptos de álgebra lineal para NLP
- Teoría probabilística para NLP
- TF-IDF
- Vectorización
- Codificadores y Decodificadores
- Normalización
- Modelos Probabilísticos
- Ingeniería de características avanzada 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 bolsa de palabras: resumen automático de texto usando los algoritmos de Luhn simplificado y real
- Características básicas de NLP
- Agrupamiento de Documentos, Clasificación y Modelado de Temas
- Agrupamiento de documentos y minería de patrones (agrupamiento jerárquico, k-means, etc.)
- Comparación y clasificación de documentos usando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos usando Naïve Bayes y Entropía Máxima
- Identificación de Elementos de Texto Importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, factorización de matriz no negativa
- Modelado de temas y recuperación de información usando Análisis Semántico Latente
- Extracción de Entidades, Análisis de Sentimiento y Modelado de Temas Avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de Respuesta al Ítem
- Etiquetado de palabras (POS) y su aplicación: encontrar personas, lugares y organizaciones mencionados en el texto
- Modelado de temas avanzado: Asignación Dirichlet Latente
- Casos de estudio
- Minería de opiniones de usuarios no estructuradas
- Clasificación de sentimiento y visualización de Datos de Reseñas de Productos
- Minería de registros de búsqueda para patrones de uso
- Clasificación de texto
- Modelado de temas
Requerimientos
Conocimiento y familiaridad con los principios de NLP y una apreciación de la aplicación de la IA en el negocio
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática
