Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Ausführliche Schulungsübersicht
- Einführung in NLP
- Grundverständnis von NLP
- NLP-Frameworks
- Kommerzielle Anwendungen von NLP
- Web-Scraping zur Datenerfassung
- Arbeit mit verschiedenen APIs zur Abruf von Textdaten
- Arbeiten mit und Speichern von Textkorpora, einschließlich Inhalt und relevanter Metadaten
- Vorteile der Verwendung von Python und Kurzreferenz zu NLTK
- Praktisches Verständnis von Korpora und Datensätzen
- Warum wird ein Korpus benötigt?
- Korpusanalyse
- Arten von Datenattributen
- Verschiedene Dateiformate für Korpora
- Vorbereitung eines Datensatzes für NLP-Anwendungen
- Struktur von Sätzen verstehen
- Komponenten von NLP
- Verständnis natürlicher Sprache
- Morphologische Analyse – Stämmen, Wörter, Tokens, Speech Tags
- Syntaktische Analyse
- Semantische Analyse
- Umgang mit Mehrdeutigkeit
- Textdaten-Vorverarbeitung
- Korpus – Rohtext
- Tokenisierung von Sätzen
- Stemming für Rohtext
- Lemmatisierung von Rohtext
- Entfernen von Stoppwörtern
- Korpus – Rohe Sätze
- Tokenisierung von Wörtern
- Lemmatisierung von Wörtern
- Arbeiten mit Term-Dokument-/Dokument-Term-Matrizen
- Texttokenisierung in N-Gramme und Sätze
- Praktische und maßgeschneiderte Vorverarbeitung
- Korpus – Rohtext
- Textdaten analysieren
- Grundlegende Funktionen von NLP
- Parsers und Parsing
- POS-Tagging und Tagger
- Erkennung benannter Entitäten
- N-Gramme
- Bag of Words
- Statistische Merkmale von NLP
- Begriffe der linearen Algebra für NLP
- Probabilistische Theorie für NLP
- TF-IDF
- Vektorisierung
- Encoder und Decoder
- Normalisierung
- Probabilistische Modelle
- Erweitertes Feature Engineering und NLP
- Grundlagen von word2vec
- Komponenten des word2vec-Modells
- Logik des word2vec-Modells
- Erweiterung des word2vec-Konzepts
- Anwendung des word2vec-Modells
- Fallstudie: Anwendung von Bag of Words: Automatische Textzusammenfassung mit vereinfachten und echten Luhn-Algorithmen
- Grundlegende Funktionen von NLP
- Dokumentclusterung, -klassifizierung und Topic Modeling
- Dokumentclusterung und Mustererkennung (hierarchische Clusterung, k-means, Clusterung usw.)
- Vergleich und Klassifizierung von Dokumenten unter Verwendung von TF-IDF, Jaccard- und Kosinus-Distanzmaßen
- Dokumentklassifizierung mittels Naïve Bayes und Maximum Entropy
- Identifizierung wichtiger Textelemente
- Dimensionsreduktion: Hauptkomponentenanalyse, Singulärwertzerlegung (SVD), nichtnegative Matrixfaktorisierung (NMF)
- Topic Modeling und Informationsrückgewinnung mittels Latent Semantic Analysis (LSA)
- Entitätsextraktion, Sentimentanalyse und erweitertes Topic Modeling
- Positiv vs. negativ: Ausmaß der Sentimentalität
- Item Response Theory
- POS-Tagging und dessen Anwendung: Finden von Personen, Orten und Organisationen in Texten
- Erweitertes Topic Modeling: Latent Dirichlet Allocation (LDA)
- Fallstudien
- Bearbeitung unstrukturierter Nutzerbewertungen
- Sentimentklassifizierung und Visualisierung von Produktbewertungsdaten
- Analyse von Suchprotokollen für Nutzungsmuster
- Textklassifizierung
- Topic Modeling
Voraussetzungen
Kenntnisse und Grundverständnis der Prinzipien von NLP sowie ein Bewusstsein für den Einsatz von KI in der Geschäftswelt.
21 Stunden
Erfahrungsberichte (1)
Individuelle Unterstützung
Simon the 2nd - Cboost
Kurs - ROS: Programming for Robotics
Maschinelle Übersetzung
