Formación Técnicas de procesamiento del lenguaje natural

Paso a paso

1. 1 Primeros pasos

   Inicialmente conocerás un poco sobre el Procesamiento del Lenguaje Natural y las aplicaciones de esta área en el mercado laboral.

   Aprenderás los conceptos, algunas técnicas y herramientas importantes para poder extraer valor de un conjunto de información en formato de texto.

   Aplicaremos este conocimiento para explorar un procedimiento de Análisis de sentimiento, que es una técnica ampliamente utilizada para identificar y extraer información subjetiva de conjuntos de texto.

   • ARTIGO

     PLN: ¿Qué es el procesamiento del lenguaje natural?

   • 

     CURSO

     Lenguaje Natural: Introducción a NLP con análisis de sentimiento

     08h

     Faça esse curso e:

     • Aprende conceptos fundamentales del Procesamiento de Lenguaje Natural (NLP)
     • Realiza Análisis de Sentimiento de manera automatizada
     • Una arquitectura para clasificación de sentimientos
     • Como crear visualizaciones para facilitar el análisis de datos textuales
     • Comienza a utilizar en NLTK, una de las principales bibliotecas de phyton para NLP
     • Aprende buenas prácticas para el NLP

     Más detalles

2. 2 Conceptos y técnicas

   Ya tuvimos nuestro primer contacto con el Procesamiento del Lenguaje Natural, ahora vamos a explorar los conceptos y técnicas de manipulación y tratamiento de datos en formato textual.

   Aplicaremos los conocimientos en la construcción de un corrector ortográfico utilizando el lenguaje Python, centrándonos siempre en los detalles básicos del proyecto y las herramientas y técnicas de PNL.

   • 

     CURSO

     Corrector ortográfico en Python: Aplicación de técnicas de PLN

     10h

     Faça esse curso e:

     • Aprenda conceptos fundamentales de Procesamiento de Lenguaje Natural
     • Entienda como funcionan los correctores ortográficos (spell checker)
     • Cree un corrector de palabra desde cero, utilizando Python
     • Utilice NLTK, una de las principales bibliotecas en Python para NLP
     • Aprenda lo que son tokens y como utilizar NLTK para realizar fragmentaciones del texto

     Más detalles
   • ARTIGO

     Clasificando texto con Python

   • 

     CURSO

     NLP: introducción a los modelos de lenguaje y expresiones regulares

     12h

     Faça esse curso e:

     • Avance en los estudios sobre Procesamiento de Lenguaje Natural
     • Aprenda cómo las regex pueden ayudar en el tratamiento de datos textuales
     • Entienda qué son los modelos de lenguaje y sus aplicaciones
     • Cree un modelo que detecte idiomas de forma automática
     • Practique con bibliotecas de Python como NLTK y Scikit-Learn

     Más detalles

3. 3 Bibliotecas Python y Técnicas Avanzadas para NLP

   En este último paso, continuaremos trabajando con herramientas y conceptos de Procesamiento del Lenguaje Natural. También nos centraremos en algunos paquetes de Python que nos pueden ayudar con tareas en esta área.

   Conozcamos y trabajemos con las técnicas Bag of Words y Word2Vec, las bibliotecas gensin y TextBlob y una comparación entre NLTK y *SpaCy *.

   • 

     CURSO

     Word2Vec: entrenamiento de Word Embedding

     08h

     Faça esse curso e:

     • Aprende cómo usar Spacy en el preprocesamiento de datos textuales, sus ventajas y desventajas
     • Aprende a configurar los Hiperparámetros del modelo Word2Vec
     • Entrena tu propio modelo Word2Vec, utilizando Gensim
     • Crea un clasificador de texto usando tu modelo Word2Vec
     • Habilita tu modelo a través de una aplicación web

     Más detalles
   • 

     CURSO

     Word2Vec: interpretación del lenguaje humano con Word embedding

     10h

     Faça esse curso e:

     • Aprende a representar palabras con One-Hot-Encoding, sus ventajas y deventajas.
     • Entiende qué es Word2Vec y conoce sus ventajas
     • Utiliza modelos Word2Vec previamente entrenados
     • Comprende el impacto del sesgo en los modelos de Word2Vec
     • Combina vectores de palabras para la representación de textos
     • Utiliza la Regresión Logística para la clasificación
     • Trabaja con el recurso Classification Report de Sklearn

     Más detalles