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
Programa detallado de la formación
- Introducción al PLN
- Comprensión del PLN
- Frameworks de PLN
- Aplicaciones comerciales del PLN
- Raspado de datos desde la web (web scraping)
- Trabajo con varias APIs para recuperar datos textuales
- Manejo y almacenamiento de corpora textuales, guardando el contenido y los metadatos relevantes
- Ventajas del uso de Python y curso intensivo de NLTK
- Comprensión práctica de un corpus y un conjunto de datos
- ¿Por qué necesitamos un corpus?
- Análisis de corpora
- Tipos de atributos de datos
- Diferentes formatos de archivos para corpora
- Preparación de un conjunto de datos para aplicaciones de PLN
- Comprensión de la estructura de una oración
- Componentes del PLN
- Comprensión del lenguaje natural
- Análisis morfológico: raíz léxica, palabra, token, etiquetas gramaticales
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos textuales
- Corpus: texto sin procesar
- Tokenización de oraciones
- Lematización y extracción de raíces para texto sin procesar
- Lematización de texto sin procesar
- Eliminación de palabras vacías (stop words)
- 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 y análisis sintáctico
- Etiquetado POS (parte de la oración) y etiquetadores
- Reconocimiento de entidades nominales
- N-gramas
- Bolsa de palabras (Bag of words)
- Características estadísticas del PLN
- Conceptos de álgebra lineal para PLN
- Teoría probabilística para PLN
- TF-IDF
- Vectorización
- codificadores y decodificadores
- Normalización
- Modelos probabilísticos
- Ingeniería avanzada de características y PLN
- Fundamentos de word2vec
- Componentes del modelo word2vec
- Lógica del modelo word2vec
- Extensión del concepto de word2vec
- Aplicación del modelo word2vec
- Caso de estudio: Aplicación de la bolsa de palabras: resumen automático de textos utilizando los algoritmos simplificados y verdaderos de Luhn
- Características básicas del PLN
- 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 utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos utilizando Naive Bayes y Máxima Entropía
- Identificación de elementos importantes del texto
- Reducción de dimensionalidad: Análisis de componentes principales, Descomposición en valores singulares (SVD), factorización de matrices no negativas (NMF)
- Modelado de temas y recuperación de información utilizando Análisis Semántico Latente
- Extracción de entidades, análisis de sentimientos y modelado avanzado de temas
- Positivo vs. negativo: grado de sentimiento
- Teoría de respuesta al ítem
- Etiquetado POS y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado avanzado de temas: Asignación 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 identificar patrones de uso
- Clasificación de texto
- Modelado de temas
Requerimientos
Conocimiento y comprensión de los principios del PLN y apreciación de las aplicaciones de la IA en los negocios
21 Horas
Testimonios (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática