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
Programa detallado del curso
- Introducción al PLN
- Comprensión del PLN
- Marcos de trabajo para el PLN
- Aplicaciones comerciales del PLN
- Rastreo de datos en la web
- Uso de diversas API para obtener datos textuales
- Gestión y almacenamiento de corpora 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 archivos para corpora
- 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: base léxica, palabra, token y etiquetas gramaticales
- Análisis sintáctico
- Análisis semántico
- Gestión de la ambigüedad
- Preprocesamiento de datos textuales
- Corpus: texto sin procesar
- Tokenización de oraciones
- Obtención de la base léxica para texto sin procesar
- Lematización del texto sin procesar
- Eliminación de palabras vacías
- Corpus: oraciones sin procesar
- Tokenización de palabras
- Lematización de palabras
- Gestión de 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 POS y etiquetadores
- Reconocimiento de entidades nombradas
- N-gramas
- Bolsa de palabras (Bag of words)
- Características estadísticas del PLN
- Conceptos de álgebra lineal aplicados al PLN
- Teoría probabilística para el PLN
- TF-IDF
- Vectorización
- Codificadores 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 texto utilizando los algoritmos simplificado y real de Luhn
- Características básicas del PLN
- Agrupamiento, clasificación y modelado temático de documentos
- Agrupamiento de documentos y minería de patrones (agrupamiento jerárquico, k-means, etc.)
- Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
- Clasificación de documentos mediante Naive Bayes y Máxima Entropía
- Identificación de elementos textuales importantes
- Reducción de dimensionalidad: Análisis de Componentes Principales (PCA), Descomposición en Valores Singulares (SVD) y Factorización Matricial No Negativa
- Modelado temático y recuperación de información mediante Análisis Semántico Latente
- Extracción de entidades, análisis de sentimientos y modelado temático avanzado
- Peso positivo vs. negativo: grado de sentimiento
- Teoría de Respuesta al Ítem
- Etiquetado POS y su aplicación: identificación de personas, lugares y organizaciones mencionados en el texto
- Modelado temático avanzado: Distribución Dirichlet Latente
- Casos de estudio
- Minería de reseñas de usuarios no estructuradas
- Clasificación y visualización del sentimiento en datos de reseñas de productos
- Minería de registros de búsqueda para identificar patrones de uso
- Clasificación de texto
- Modelado temático
Requerimientos
Conocimiento y comprensión de los principios del PLN y una apreciación de las aplicaciones de la IA en el ámbito empresarial
21 Horas
Reseñas (1)
Soporte individual
Simon the 2nd - Cboost
Curso - ROS: Programming for Robotics
Traducción Automática