Kontakt aufnehmen

Schulungsübersicht

Detailliertes Trainingsprogramm

  1. Einführung in das NLP
    • Verstehen des NLP
    • NLP-Frameworks
    • Kommerzielle Anwendungen des NLP
    • Daten von Webseiten extrahieren (Scraping)
    • Arbeit mit verschiedenen APIs zum Abrufen von Textdaten
    • Arbeit mit und Speicherung von Textkorpora unter Wahrung des Inhalts und relevanter Metadaten
    • Vorteile der Nutzung von Python sowie Crash-Kurs zu NLTK
  2. Praktisches Verständnis eines Korpus und eines Datensatzes
    • Warum benötigen wir einen Korpus?
    • Korpusanalyse
    • Arten von Datenattributen
    • Unterschiedliche Dateiformate für Korpora
    • Vorbereiten eines Datensatzes für NLP-Anwendungen
  3. Verstehen der Struktur von Sätzen
    • Komponenten des NLP
    • Verständnis natürlicher Sprache
    • Morphologische Analyse: Stammwort, Wort, Token, Sprachtags
    • Syntaktische Analyse
    • Semantische Analyse
    • Umgang mit Mehrdeutigkeiten
  4. Vorverarbeitung von Textdaten
    • Korpus - roher Text
      • Satz-Tokenisierung
      • Stemming für rohen Text
      • Lemmatisierung für rohen Text
      • Entfernen von Stoppwörtern
    • Korpus - rohe Sätze
      • Wort-Tokenisierung
      • Wort-Lemmatisierung
    • Arbeit mit Term-Dokument-/ Dokument-Term-Matrizen
    • Tokenisierung von Texten in n-Gramme und Sätze
    • Praktische und kundenspezifische Vorverarbeitung
  5. Analyse von Textdaten
    • Basiseigenschaften des NLP
      • Parser und Parsing
      • 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
      • Normierung
      • Wahrscheinlichkeitsmodelle
    • Fortschrittliche Feature-Engineering-Methoden und NLP
      • Grundlagen von word2vec
      • Komponenten des word2vec-Modells
      • Logik des word2vec-Modells
      • Erweiterungen des Konzepts von word2vec
      • Anwendung des word2vec-Modells
    • Fallstudie: Anwendung von Bag-of-Words: Automatische Textzusammenfassung mittels vereinfachter und echter Algorithmen nach Luhn
  6. Dokument-Clustering, Klassifikation und Topic Modeling
    • Dokument-Clustering und Mustererkennung (hierarchisches Clustering, k-Means, Clustering usw.)
    • Vergleich und Klassifizierung von Dokumenten mittels TFIDF-, Jaccard- und Kosinus-Distanzmassen
    • Dokumentenklassifizierung mit Naïve Bayes und Maximum Entropy
  7. Identifizieren wichtiger Textelemente
    • Reduzierung der Dimensionalität: Hauptkomponentenanalyse (PCA), Singulärwertzerlegung (SVD) und nicht-negativen Matrixfaktorisierung
    • Topic Modeling und Informationsretrieval mittels Latent Semantic Analysis
  8. Extrahieren von Entitäten, Sentiment-Analyse und fortgeschrittenes Topic Modeling
    • Positiv vs. negativ: Grad der Emotion
    • Item-Response-Theorie
    • POS-Tagging und seine Anwendung: Finden von Personen, Orten und Organisationen, die in Texten erwähnt werden
    • Fortgeschrittenes Topic Modeling: Latent Dirichlet Allocation
  9. Fallstudien
    • Extrahieren von unstrukturierten Benutzerbewertungen
    • Sentiment-Klassifizierung und Visualisierung von Produkterbewertungsdaten
    • Analyse von Suchprotokollen auf Nutzungsmuster
    • Textklassifikation
    • Topic Modeling

Voraussetzungen

Kenntnisse und Bewusstsein bezüglich der Prinzipien des NLP sowie ein Verständnis der Anwendung von KI in Geschäftsprozessen

 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien