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
Esquema detallado de la formación
- Introducción al PLN
- Comprensión del PLN
- Frameworks de PLN
- Aplicaciones comerciales del PLN
- Extracción de datos de la web
- Trabajo con diversas API para recuperar datos de texto
- Trabajo y almacenamiento de corpus de texto, guardando el 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 archivo para corpus
- 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: raíz, palabra, token, etiquetas de discurso
- Análisis sintáctico
- Análisis semántico
- Manejo de la ambigüedad
- Preprocesamiento de datos de texto
- Corpus: texto bruto
- Tokenización de oraciones
- Reducción a raíz (stemming) del texto bruto
- Lematización del texto bruto
- Eliminación de palabras paradas (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 del PLN
- Analizadores sintácticos (parsers) y análisis sintáctico (parsing)
- Etiquetado POS y etiquetadores
- Reconocimiento de entidades nombradas
- 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 de características avanzada y PLN
- Básicos de word2vec
- Componentes del modelo word2vec
- Logic del modelo word2vec
- Extensión del concepto word2vec
- Aplicación del modelo word2vec
- Estudio de caso: Aplicación de bolsa de palabras: resumido automático de texto utilizando algoritmos de Luhn simplificados y verdaderos
- Características básicas del PLN
- Agrupación de documentos, clasificación y modelado de temas
- Agrupación de documentos y minería de patrones (agrupación jerárquica, k-means, etc.)
- Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos utilizando Naïve Bayes y Entropía Máxima
- Identificación de elementos de texto importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, Factorización de Matrices No Negativas
- Modelado de temas y recuperación de información utilizando 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 parte de la oración y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado de temas avanzado: Asignación de Dirichlet Latente
- Estudios de caso
- Minería de reseñas 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 conciencia de los principios del PLN y una valoración de la aplicación de la IA en los negocios
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática
