Curso de Natural Language Processing (NLP) con Deep Learning

Bienvenido al curso Curso de Natural Language Processing (NLP) con Deep Learning en Python.

Este curso está enfocado a usuarios que tienen algún conocimiento de machine learning y deep learning. Tal vez quieras o necesites aprender a utilizar Deep Learning con textos en tu proyecto de investigación o para tu trabajo. Este curso está escrito para ayudarle a hacer eso rápida y eficientemente comprimiendo años de conocimiento y experiencia en un curso con tutoriales prácticos.

Curso de Natural Language Processing con Deep Learning

Descripción del Curso
Objetivos del curso

Capacitarse ampliamente en el uso de las bibliotecas Python para el NLP a través de la creación de aplicaciones; a fin de entender y razonar por medio de distintos métodos el lenguaje natural al igual que como se hace con otros datos.

Perfil del alumno

Enfocado a usuarios que posean previo conocimiento de Deep y Machine Learning.

También para aquellos programadores o estudiantes que se interesen en el campo de PNL y sus actuales herramientas.

Salidas profesionales

El estudiante de este curso estará en la capacidad de trabajar como “Consultor NLP“, encargado de encontrar información y relaciones en el texto mediante el uso del aprendizaje automático.

Requisitos técnicos

*Usted no necesita ser un experto en Machine Learning o Deep Learning, pero sería útil si supiera cómo afrontar un problema de Machine Learning usando scikit-learn.

Debes saber algunos puntos de bonificación los cuales te ayudarán a lo largo de este curso, tal vez algunos de los siguientes puntos los conoces en profundidad, pero no entres en pánico si no es así.

  • Usted puede saber cómo trabajar a través un problema de modelado predictivo.
  • Puede que conozcas un poco de procesamiento de lenguaje natural.
  • Puede que conozca un poco de bibliotecas de lenguaje natural como NLTK o Gensim.
Que aprenderás cuando termines este curso

Al completar el curso, podrá realizar tareas basadas en inteligencia artificial; tales como la manipulación de textos simples, procesamiento de estructuras complejas y comprensión del lenguaje natural, combinando los conceptos y técnicas de inteligencia artificial, lingüística computacional y técnicas de informática.

1. Bases para este curso

En esta primera parte del curso descubrirás que el Procesamiento del Lenguaje Natural (PNL) es definido ampliamente como la manipulación automática del lenguaje, como el habla y el texto, por software. El estudio del procesamiento del lenguaje natural ha existido por más de 50 años y creció fuera del campo de la lingüística con el ascenso de computadoras.

La promesa de un aprendizaje profundo en el campo del procesamiento del lenguaje natural es el mejor rendimiento mediante modelos que pueden requerir más datos pero menos conocimientos lingüísticos para su formación y funcionamiento.

1. Procesamiento del lenguaje natural

2. Deep Learning o Aprendizaje Profundo

3. Promesa de Aprendizaje Profundo para el Lenguaje Natural

4. Cómo desarrollar modelos de Deep Learning con Keras

5. Cómo hacer tu Primera Red Neural en Python con Keras Paso a Paso

Los métodos de aprendizaje están logrando resultados de vanguardia en resolución de problemas difíciles. Particularmente en el procesamiento de lenguaje natural. En esta parte, también descubriras las promesas específicas que tienen los métodos de aprendizaje para hacer frente a los problemas de procesamiento del lenguaje natural.

Las redes neuronales de aprendizaje profundo son muy fáciles de crear y evaluar en Python con Keras, pero debe seguir un ciclo de vida modelo estricto. En esta primera parte aprenderás el paso a paso el ciclo de vida para crear, entrenar y evaluar redes neuronales de aprendizaje profundo en Keras y cómo para hacer predicciones con un modelo entrenado. También sabras cómo utilizar la API funcional que proporciona más flexibilidad a la hora de diseñar modelos.

2. Preparación de datos

No se puede pasar directamente del texto en bruto a la adaptación de una máquina de aprendizaje, o a un modelo de aprendizaje profundo. En primer lugar debes limpiar tu texto, lo que significa dividirlo en palabras y manejar la puntuación en cada caso.

Esto es lo que aprenderás en esta segunda parte, de hecho, hay toda una serie de métodos de preparación de textos que puede necesitar utilizar, y la elección de los métodos realmente depende de tu tarea de procesamiento de lenguaje natural. En este curso, descubrirá cómo puede limpiar y preparar su texto listo para el modelado con máquina aprendizaje.

1. Cómo limpiar el texto manualmente usando NLTK

2. Cómo preparar Datos de Texto con Scikit-Learn

3. Cómo preparar Datos de Texto usando Keras

La verdad, no puedes introducir texto sin procesar directamente en tus modelos de aprendizaje profundo. Los datos de texto deben codificarse como números que se utilizarán como entrada o salida para el aprendizaje automático y modelos de aprendizaje profundo, tales como como incrustaciones de palabras.

La biblioteca de aprendizaje profundo de Keras proporciona algunas herramientas básicas para ayudarte a preparar los datos del texto. En este curso, sabrás cómo utilizar Keras para preparar tus datos de texto.

3. Bolsa de palabras

El modelo de bolsa de palabras es una forma de representar datos de texto cuando se modela texto con máquina. El modelo de la bolsa de palabras es simple de entender e implementar y tiene se ha apreciado un gran éxito en resolución de problemas como el modelado del lenguaje y la clasificación de documentos. En esta parte veremos el modelo de bolsa de palabras para la extracción de características en el lenguaje natural procesamiento.

1. El modelo de la bolsa de palabras

2. Cómo preparar los datos de la revisión de la película para el análisis de los sentimientos

La preparación de los datos de texto es diferente para cada problema. La preparación comienza con pasos sencillos, como carga de datos, por ejemplo; pero rápidamente se vuelve difícil con las tareas de limpieza que son muy específicas a los datos que estas trabajando. Necesitas ayuda en cuanto a por dónde empezar y qué orden seguir los pasos. desde datos brutos a datos listos para modelar. En este curso, descubrirás cómo preparar datos del texto de la revisión de la película, para el análisis del sentimiento, paso a paso.

3. Proyecto: Desarrollar un Modelo Neural de Bolsa de Palabras para el Análisis de Sentimientos

Las reseñas de películas pueden ser clasificadas como favorables o no. La evaluación del texto de la crítica cinematográfica, es un problema de clasificación a menudo llamado análisis de sentimientos. Una técnica popular para desarrollar modelos de análisis de sentimientos es utilizar un modelo de bolsa de palabras que transforma los documentos en vectores donde a cada palabra del documento se le asigna una puntuación. Con este proyecto, descubrirás cómo desarrollar un modelo predictivo de aprendizaje profundo, usando la representación de la bolsa de palabras para la película, y revisar la “clasificación de los sentimientos.”

4. Embeddings (Incrustaciones) de Palabras

Las incrustaciones de palabras, son un tipo de representación de las palabras que permite usar palabras con un significado similar y tienen una representación similar. Son una representación distribuida de un texto que es quizás uno de los avances clave para el impresionante rendimiento de los métodos de aprendizaje profundo en los problemas de procesamiento del lenguaje natural. En este capítulo, descubrirá la incrustación de palabras, para representar datos de texto.

1. El modelo de embeddings (Incrustaciones) de palabras

2. Cómo desarrollar incrustaciones de palabras con Gensim

3. Cómo aprender y cargar incrustaciones de palabras en Keras

Las incrustaciones de texto son un enfoque moderno para representar texto en el procesamiento del lenguaje natural. Los algoritmos de incrustación como Word2Vec y GloVe son la clave para obtener los resultados más avanzados. por modelos de redes neuronales sobre problemas de procesamiento del lenguaje natural como la traducción automática. En esta parte, verás cómo entrenar y cargar modelos de incrustación de palabras para los modelos naturales de aplicaciones de procesamiento de lenguaje, en Python usando Gensim.

5. Clasificación de Textos

La clasificación de texto describe una clase general de problemas tales como predecir el sentimiento de los tweets y las reseñas de películas, así como clasificar el correo electrónico como spam o no. Los métodos de aprendizaje profundo están demostrando ser muy buenos en la clasificación de textos, logrando resultados de vanguardia en una serie de problemas de referencia académica estándar. En este capítulo, descubrirá algunas de las mejores prácticas a tener en cuenta a la hora de desarrollar modelos de aprendizaje profundo para la clasificación de textos.

1. Modelos neuronales para la clasificación de documentos

2. Proyecto: Desarrollar un modelo de incrustación + CNN para el análisis de sentimientos

Las incrustaciones de palabras son una técnica para representar texto donde diferentes palabras con significado similar tienen una representación vectorial de valor real similar. Son un avance clave que ha conducido a un gran rendimiento de los modelos de redes neuronales en una serie de desafiantes problemas de procesamiento del lenguaje natural. En este proyecto, descubrirá cómo desarrollar modelos de incrustación de palabras con redes neuronales convolucionales para clasificar las críticas de películas.

3. Proyecto: Desarrollar un Modelo CNN de n-gramas para el Análisis de Sentimientos

Un modelo de aprendizaje profundo estándar para la clasificación de textos y el análisis de sentimientos utiliza una capa de incrustación de palabras y una red neuronal convolucional unidimensional. El modelo puede ampliarse utilizando múltiples redes neuronales convolucionales paralelas que leen el documento fuente utilizando diferentes tamaños de núcleo. Esto, en efecto, crea una red neural convolucional multicanal para texto que lee texto con diferentes tamaños de n gramos (grupos de palabras).

6. Modelado del Lenguaje

El modelado del lenguaje es fundamental para muchas tareas importantes de procesamiento del lenguaje natural. Recientemente, los modelos de lenguaje basados en redes neuronales han demostrado un mejor rendimiento que los métodos clásicos, tanto de forma independiente como como parte de tareas de procesamiento de lenguaje natural más desafiantes. En este capítulo, descubrirás el modelado del lenguaje para el procesamiento del lenguaje natural.

1. Modelado del Lenguaje Neural

2. Cómo desarrollar un modelo de lenguaje neural basado en el carácter

3. Cómo desarrollar un modelo de lenguaje neural basado en palabras

Un modelo de lenguaje predice la siguiente palabra en la secuencia basándose en las palabras específicas que le han precedido en la secuencia. También es posible desarrollar modelos de lenguaje a nivel de caracteres utilizando redes neuronales. El beneficio de los modelos de lenguaje basados en caracteres es su pequeño vocabulario y flexibilidad en el manejo de cualquier palabra, puntuación y otra estructura del documento. Esto viene al costo de requerir modelos más grandes que son más lentos de entrenar. Sin embargo, en el campo de los modelos de lenguaje neural, los modelos basados en caracteres ofrecen muchas promesas para un enfoque general, flexible y poderoso del modelado del lenguaje.

4. Proyecto: Desarrollar un Modelo de Lenguaje Neural para la Generación de Textos

Un modelo de lenguaje puede predecir la probabilidad de la siguiente palabra en la secuencia, basándose en las palabras ya observadas en la secuencia. Los modelos de redes neuronales son un método preferido para desarrollar modelos de lenguaje estadístico porque pueden usar una representación distribuida donde diferentes palabras con significados similares tienen una representación similar y porque pueden usar un gran contexto de palabras recientemente observadas al hacer predicciones. En este proyecto, descubrirá cómo desarrollar un modelo de lenguaje estadístico utilizando el aprendizaje profundo en Python.

7. Subtitulado de Imágenes

Subtitular una imagen implica generar una descripción textual legible por el ser humano a partir de una imagen, como una fotografía. Es un problema fácil para un humano, pero muy desafiante para una máquina como implica tanto la comprensión del contenido de una imagen como la forma de traducir esta comprensión a lenguaje natural. Recientemente, los métodos de aprendizaje profundo han desplazado a los métodos clásicos y están logrando resultados de última generación para el problema de la generación automática de descripciones, llamados subtítulos, para imágenes. En este capítulo, descubrirá cómo los modelos de redes neuronales profundas puede utilizarse para generar automáticamente descripciones de imágenes, como fotografías

1. Generación de subtítulos de imágenes neuronales

2. Modelos de redes neuronales para la generación de subtítulos

3. Cómo cargar y utilizar un modelo de reconocimiento de objetos preconfigurado

4. Cómo evaluar el texto generado con la puntuación BLEU

5. Cómo preparar un conjunto de datos de pies de foto para el modelado

BLEU, o el suplente de evaluación bilingüe, es una calificación para comparar una traducción de un candidato. de texto a una o más traducciones de referencia. Aunque ha sido desarrollado para la traducción, se puede utilizar para evaluar el texto generado para un conjunto de tareas de procesamiento de lenguaje natural. En este tutorial, usted descubrirá la puntuación BLEU para evaluar y calificar el texto del candidato utilizando la biblioteca NLTK en Python

6. Proyecto: Desarrollar un modelo de generación de subtítulos de imágenes neuronales

Los métodos de aprendizaje profundo han demostrado resultados de vanguardia en la generación de subtítulos problemas. Lo que es más impresionante de estos métodos es que un solo modelo de extremo a extremo puede ser definido para predecir una leyenda, dada una foto, en lugar de requerir una sofisticada preparación de datos o una tubería de modelos diseñados específicamente. En este tutorial, descubrirá cómo desarrollar un modelo de aprendizaje profundo desde cero.

8. Traducción Automática

Uno de los primeros objetivos de las computadoras fue la traducción automática de texto de un idioma a otro. La traducción automática o automática es quizás una de las más desafiantes tareas de inteligencia dada la fluidez del lenguaje humano. Clásicamente, los sistemas basados en reglas eran que se utilizaron para esta tarea, que se sustituyeron en los años noventa por métodos estadísticos. Más recientemente, los modelos de redes neurales profundas logran resultados de vanguardia en un campo que se llama acertadamente neural traducción automática. En este capítulo, descubrirá el reto de la traducción automática y la efectividad de los modelos de traducción neural automática.

1. Traducción Neural Automática

2. ¿Qué son los modelos de codificador-decodificador para la traducción neural automática?

3. Cómo configurar los modelos de codificador-decodificador para la traducción automática

BLEU, o el suplente de evaluación bilingüe, es una calificación para comparar una traducción de un candidato. de texto a una o más traducciones de referencia. Aunque ha sido desarrollado para la traducción, se puede utilizar para evaluar el texto generado para un conjunto de tareas de procesamiento de lenguaje natural. En este tutorial, usted descubrirá la puntuación BLEU para evaluar y calificar el texto del candidato utilizando la biblioteca NLTK en Python.

4. Proyecto: Desarrollar un modelo de traducción automática neuronal

Los métodos de aprendizaje profundo han demostrado resultados de vanguardia en la generación de subtítulos problemas. Lo que es más impresionante de estos métodos es que un solo modelo de extremo a extremo puede ser definido para predecir una leyenda, dada una foto, en lugar de requerir una sofisticada preparación de datos o una tubería de modelos diseñados específicamente. En este tutorial, descubrirá cómo desarrollar un modelo de aprendizaje profundo desde cero.

➡ Te invitamos a la 1º clase del Curso de Natural Language Processing (PNL) con Deep Learning

Curso de Natural Language Processing (PNL) con Deep Learning

Curso de Natural Language Processing (NLP) con Deep Learning
6.5 (93.33%) 3 votes
¿Cuál lenguaje me proporciona mejor resultado para crear una página web Python o JavaScript?

Hoy en día casi todas las personas, marcas o empresas, cuentan...

¿Debo aprender Python? ¿Por qué?

  Python es un lenguaje de programación que nace en los...

¿Cuál es el framework adecuado para iniciar en el desarrollo web, Flask o Django?

Dentro de las metas que tienen los nuevos programadores de la...

13 Grandes proyectos que se implementaron utilizando Python

El lenguaje de programación Python se ha convertido en un lenguaje...

Los Mejores Cursos de Programación

¿Interesado en Aprender Programación? Cursos Python y más de 0 a Experto

Gracias!

error