Contacta con nosotros

Temario del curso

Temario detallado de la formación

  1. Introducción al PLN
    • Comprensión del PLN
    • Frameworks de PLN
    • Aplicaciones comerciales del PLN
    • Rastreo de datos desde la web
    • Trabajo con diversas APIs para obtener datos textuales
    • Tratamiento y almacenamiento de corpus de texto, guardando contenido y metadatos relevantes
    • Ventajas de utilizar Python y curso intensivo de NLTK
  2. Comprensión práctica de un Corpus y Conjunto de Datos
    • ¿Por qué necesitamos un corpus?
    • Análisis del corpus
    • Tipos de atributos de datos
    • Diferentes formatos de archivo para corpus
    • Preparación de un conjunto de datos para aplicaciones de PLN
  3. Comprensión de la Estructura de las Oraciones
    • Componentes del PLN
    • Comprensión del lenguaje natural
    • Análisis morfológico - raíz, palabra, token, etiquetas gramaticales
    • Análisis sintáctico
    • Análisis semántico
    • Gestión de la ambigüedad
  4. Preprocesamiento de datos textuales
    • Corpus - texto sin procesar
      • Tokenización por oraciones
      • Lematización (stemming) para texto sin procesar
      • Lemmatización de texto sin procesar
      • Eliminación de palabras vacías
    • 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
  5. Análisis de datos textuales
    • Características básicas del PLN
      • Analizadores y análisis sintáctico
      • Etiquetado gramatical (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
      • Codeificadores 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 algoritmos simplificados y verdaderos de Luhn
  6. Agrupamiento, Clasificación y Modelado Temático de Documentos
    • Agrupamiento documental y minería de patrones (clustering jerárquico, k-means, clustering, etc.)
    • Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
    • Clasificación documental utilizando Naïve Bayes y Máxima Entropía
  7. Identificación de Elementos Textuales Importantes
    • Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares y Factorización no negativa de matrices
    • Modelado temático y recuperación de información utilizando Análisis Semántico Latente
  8. Extracción de Entidades, Análisis de Sentimiento y Modelado Temático Avanzado
    • Positivo vs. negativo: grado del sentimiento
    • Teoría de Respuesta al Ítem
    • Etiquetado gramatical y su aplicación: identificar personas, lugares y organizaciones mencionados en el texto
    • Modelado temático avanzado: Modelo de Dirichlet Latente
  9. 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 patrones de uso
    • Clasificación de texto
    • Modelado temático

Requerimientos

Conocimiento y conciencia de los principios del PLN y una valoración de las aplicaciones de la IA en los negocios

 21 Horas

Número de participantes


Precio por participante

Reseñas (1)

Próximos cursos

Categorías Relacionadas