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
Detailliertes Schulungsprogramm
- Einführung in das Natural Language Processing
- Verständnis des NLP
- NLP-Frameworks
- Kommerzielle Anwendungen des NLP
- Datensammlung von Webseiten (Web Scraping)
- Arbeit mit verschiedenen APIs zur Abfrage von Textdaten
- Arbeit und Speicherung von Textkorpora unter Sicherung von Inhalten und relevanten Metadaten
- Vorteile der Nutzung von Python und Crashkurs NLTK
- Praktisches Verständnis eines Korpus und Datensatzes
- Warum benötigen wir einen Korpus?
- Korpusanalyse
- Arten von Dateneigenschaften
- Verschiedene Dateiformate für Korpora
- Herstellen eines Datensatzes für NLP-Anwendungen
- Verstehen der Satzstruktur
- Komponenten des NLP
- Verständnis natürlicher Sprache
- Morphologische Analyse - Stamm, Wort, Token, Wortartenkennzeichnung
- Syntaktische Analyse
- Semantische Analyse
- Umgang mit Ambiguität (Mehrdeutigkeit)
- Vorverarbeitung von Textdaten
- Korpus - Rohdaten
- Satzsegmentierung
- Stemming für Rohdaten
- Lemmatisierung der Rohdaten
- Entfernen von Stoppwörtern
- Korpus - Rohsätze
- Wortsegmentierung
- Wortlemmatisierung
- Arbeit mit Term-Dokument-/Dokument-Term-Matrizen
- Konvertierung von Text in N-Gramme und Sätze
- Praktische und benutzerdefinierte Vorverarbeitung
- Korpus - Rohdaten
- Analyse von Textdaten
- Basiseigenschaften des NLP
- Parser und Parsing
- Wortartenkennzeichnung (POS Tagging) und Tagger
- Named Entity Recognition
- N-Gramme
- Bag of Words
- Statistische Eigenschaften des NLP
- Konzepte der Linearen Algebra für das NLP
- Wahrscheinlichkeitstheorie für das NLP
- TF-IDF
- Vektorisierung
- Encoder und Decoder
- Normalisierung
- Wahrscheinlichkeitsmodelle
- Fortgeschrittene Merkmalsextraktion 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 mittels vereinfachter und präziser Version der Luhn-Algorithmen
- Basiseigenschaften des NLP
- Dokumentenclustering, Klassifizierung und Topic Modeling
- Dokumentenclustering und Mustererkennung (hierarchisches Clustering, k-Means-Clustering etc.)
- Vergleich und Klassifizierung von Dokumenten unter Verwendung der Maßzahlen TFIDF, Jaccard-Distanz und Kosinus-Ähnlichkeit
- Dokumentklassifizierung mittels Naïve Bayes und Maximum Entropy
- Identifikation wichtiger Textelemente
- Reduzierung der Dimensionalität: Hauptkomponentenanalyse, Singulärwertzerlegung (SVD), nicht-negativ-matrixfaktorisierung
- Topic Modeling und Informationsabruf mittels Latent Semantic Analysis
- Entitätserkennung, Sentimentanalyse und fortgeschrittenes Topic Modeling
- Positiv vs. Negativ: Grad der Stimmung
- Item Response Theory
- Wortartenkennzeichnung und ihre Anwendung: Ermittlung von Personen, Orten und Organisationen, die im Text erwähnt werden
- Fortgeschrittenes Topic Modeling: Latent Dirichlet Allocation
- Fallstudien
- Erkennung strukturloser Kundenbewertungen
- Sentimentklassifizierung und Visualisierung von Produktbewertungsdaten
- Auswertung von Suchprotokollen auf Nutzungsmuster
- Textklassifizierung
- Topic Modeling
Voraussetzungen
Kenntnisse und Verständnis der Prinzipien des Natural Language Processing sowie Wertschätzung der Anwendungsmöglichkeiten von KI in der Wirtschaft
21 Stunden
Erfahrungsberichte (1)
Individuelle Unterstützung
Simon the 2nd - Cboost
Kurs - ROS: Programming for Robotics
Maschinelle Übersetzung