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 al NLP
- Comprensión del NLP
- Framework de NLP
- Aplicaciones comerciales del NLP
- Extracción de datos de la web (Scraping)
- Trabajo con diversas APIs para recuperar datos de texto
- Gestión 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 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 NLP
- Comprensión de la Estructura de las Oraciones
- Componentes del 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 crudo
- Segmentación de oraciones (Tokenización)
- Truncamiento (Stemming) de texto crudo
- Lematización de texto crudo
- Eliminación de palabras de relleno (Stop words)
- Corpus: oraciones crudas
- Segmentación de palabras (Tokenización)
- Lematización de palabras
- Trabajo con matrices Término-Documento / Documento-Término
- Segmentación de texto en n-gramas y oraciones (Tokenización)
- Preprocesamiento práctico y personalizado
- Corpus: texto crudo
- Análisis de datos de texto
- Características básicas del NLP
- Analizadores (Parsers) y análisis sintáctico
- Etiquetado de categorías gramaticales (POS tagging) y etiquetadores
- Reconocimiento de entidades nombradas
- N-gramas
- Modelo de 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 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
- Estudio de caso: Aplicación del modelo de bolsa de palabras: resumen automático de texto utilizando los algoritmos de Luhn simplificados y reales
- Características básicas del NLP
- Clústerización, Clasificación y Modelado de Temas de Documentos
- Clústerización de documentos y minería de patrones (clústerización jerárquica, k-means, etc.)
- Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos utilizando Bayes Naïve 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 Sentimientos y Modelado de Temas Avanzado
- Positivo vs. negativo: grado de sentimiento
- Teoría de Respuesta a Ítems
- Etiquetado de categorías gramaticales y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
- Modelado de temas avanzado: Asignación Latente de Dirichlet
- Estudios de caso
- Minería de reseñas de usuarios no estructuradas
- Clasificación de sentimientos 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 del Procesamiento del Lenguaje Natural y una apreciación de la aplicación de la IA en el ámbito empresarial
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática
