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
Temario detallado de la formación
- 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
- 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
- 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
- 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
- Corpus - texto sin procesar
- 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
- Características básicas del PLN
- 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
- 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
- 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
- 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
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática