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
Detaillierter Schulungsplan
- Einführung in das NLP
- Grundlagen des NLP
- NLP-Frameworks
- Kommerzielle Anwendungen des NLP
- Web-Scraping
- Nutzung verschiedener APIs zur Abrufung von Textdaten
- Verwaltung und Speicherung von Textkorpora einschließlich Inhalt und relevanten Metadaten
- Vorteile der Nutzung von Python und Überblick über 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
- Verständnis der Satzstruktur
- Komponenten des NLP
- Natürliche Sprachverarbeitung (Natural Language Understanding)
- Morphologische Analyse – Stamm, Wort, Token, Speech Tags
- Syntaktische Analyse
- Semantische Analyse
- Bearbeitung von Mehrdeutigkeiten
- Vorverarbeitung von Textdaten
- Korpus – roher Text
- Satz-Tokenisierung
- Stemming für rohen Text
- Lemmatisierung von rohem Text
- Entfernung von Stopwörtern
- Korpus – rohe Sätze
- Wort-Tokenisierung
- Wort-Lemmatisierung
- Arbeit mit Term-Dokument- und Dokument-Term-Matrizen
- Tokenisierung von Text in N-Grams und Sätze
- Praktische und kundenspezifische Vorverarbeitung
- Korpus – roher Text
- Analyse von Textdaten
- Grundlegende Merkmale des NLP
- Parsers und Parsing
- POS-Tagging und Tagger
- Named Entity Recognition
- N-Grams
- Bag of Words
- Statistische Merkmale des NLP
- Begriffe der linearen Algebra für NLP
- Wahrscheinlichkeitstheorie für NLP
- TF-IDF
- Vektorisierung
- Encoder und Decoder
- Normalisierung
- Wahrscheinlichkeitsmodelle
- Fortschrittliches Feature-Engineering und NLP
- Grundlagen von Word2Vec
- Komponenten des Word2Vec-Modells
- Logik des Word2Vec-Modells
- Erweiterung des Word2Vec-Konzepts
- Anwendung des Word2Vec-Modells
- Studienfall: Anwendung von Bag of Words: Automatische Textzusammenfassung mit vereinfachten und echten Luhn-Algorithmen
- Grundlegende Merkmale des NLP
- Dokumentclustering, -klassifizierung und Topic Modeling
- Dokumentclustering und Mustererkennung (hierarchisches Clustering, k-means, Clustering etc.)
- Vergleich und Klassifizierung von Dokumenten mittels TFIDF, Jaccard- und Kosinusdistanzmaßen
- Dokumentklassifizierung mit Naïve Bayes und Maximum Entropy
- Identifizierung wichtiger Textelemente
- Dimensionsreduktion: Hauptkomponentenanalyse (PCA), Singulärwertzerlegung (SVD), nichtnegative Matrixfaktorisierung (NMF)
- Topic Modeling und Information Retrieval mittels Latent Semantic Analysis (LSA)
- Entity Extraction, Sentimentanalyse und fortgeschrittenes Topic Modeling
- Positiv vs. negativ: Grad der Sentiment
- Item Response Theory
- POS-Tagging und seine Anwendung: Erkennung von Personen, Orten und Organisationen im Text
- Fortgeschrittenes Topic Modeling: Latent Dirichlet Allocation
- Studienfälle
- Auswertung unstrukturierter Benutzerbewertungen
- Sentimentklassifizierung und Visualisierung von Produktbewertungsdaten
- Auswertung von Suchprotokollen nach Nutzungsmustern
- Textklassifizierung
- Topic Modeling
Voraussetzungen
Grundlegende Kenntnisse und Verständnis der Prinzipien des NLP sowie ein Bewusstsein für den Einsatz von KI in der Wirtschaft
21 Stunden
Erfahrungsberichte (1)
Individuelle Unterstützung
Simon the 2nd - Cboost
Kurs - ROS: Programming for Robotics
Maschinelle Übersetzung
