Plan du cours

Introduction

  • Définir le "Traitement Automatique du Langage Naturel de Qualité Industrielle"

Installation de spaCy

Composants de spaCy

  • Étiqueteur morphosyntaxique (Part-of-speech tagger)
  • Extracteur d'entités nommées (Named entity recognizer)
  • Analyseur syntaxique de dépendances (Dependency parser)

Aperçu des fonctionnalités et de la syntaxe de spaCy

Comprendre la modélisation spaCy

  • Modélisation statistique et prédiction

Utilisation de l'interface de ligne de commande (CLI) de SpaCy

  • Commandes de base

Création d'une application simple pour prédire le comportement

Entraînement d'un nouveau modèle statistique

  • Données (pour l'entraînement)
  • Étiquettes (tags, entités nommées, etc.)

Chargement du modèle

  • Mélange et itération

Sauvegarde du modèle

Fournir un retour d'information au modèle

  • Gradient d'erreur

Mise à jour du modèle

  • Mise à jour de l'extracteur d'entités
  • Extraction de tokens avec un comparateur basé sur des règles

Élaboration d'une théorie généralisée des résultats attendus

Étude de cas

  • Distinction des noms de produits des noms d'entreprises

Affiner les données de formation

  • Sélection de données représentatives
  • Définition du taux d'abandon (dropout rate)

Autres styles de formation

  • Passage de textes bruts
  • Passage de dictionnaires d'annotations

Utiliser spaCy pour prétraiter le texte pour Deep Learning

Intégrer spaCy aux applications existantes

Test et débogage du modèle spaCy

  • L'importance de l'itération

Déployer le modèle en production

Surveillance et ajustement du modèle

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Python expérience en programmation.
  • Une compréhension de base des statistiques
  • Expérience avec la ligne de commande

Public

  • Développeurs
  • Scientifiques des données
 14 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (5)

Cours à venir

Catégories Similaires