Procesamiento del lenguaje natural - AI / Robótica

Plan de formación detallado

1. Introducción al NLP
   • Comprensión del NLP
   • Frameworks de NLP
   • Aplicaciones comerciales de NLP
   • Extracción de datos de la web
   • Trabajo con diversas APIs para recuperar datos de texto
   • Gestión y almacenamiento de corpus de texto, guardando contenido y metadatos relevantes
   • Ventajas de usar Python y curso intensivo de NLTK
2. Comprensión práctica de un corpus y un conjunto de datos
   • ¿Por qué necesitamos un corpus?
   • Análisis de corpus
   • Tipos de atributos de datos
   • Diferentes formatos de archivo para corpus
   • Preparación de un conjunto de datos para aplicaciones de NLP
3. Comprensión de la estructura de las oraciones
   • Componentes del NLP
   • Comprensión del lenguaje natural
   • Análisis morfológico - raíz, palabra, token, etiquetas de categoría gramatical
   • Análisis sintáctico
   • Análisis semántico
   • Gestión de la ambigüedad
4. Preprocesamiento de datos de texto
   • Corpus - texto bruto
     • Segmentación de oraciones
     • Extracción de raíz para texto bruto
     • Lematización de texto bruto
     • Eliminación de palabras vacías (stop words)
   • Corpus - oraciones completas
     • Segmentación de palabras
     • Lematización de palabras
   • Trabajo con matrices Término-Documento / Documento-Término
   • Segmentación de texto en n-gramas y oraciones
   • Preprocesamiento práctico y personalizado
5. Análisis de datos de texto
   • Características básicas del NLP
     • Analizadores (parsers) y análisis sintáctico (parsing)
     • Etiquetado de categoría gramatical (POS tagging) y etiquetadores
     • Reconocimiento de entidades nombradas
     • N-gramas
     • Bag of words (Bolsa de palabras)
   • Características estadísticas del NLP
     • Conceptos de álgebra lineal para NLP
     • Teoría probabilística para NLP
     • TF-IDF
     • Vectorización
     • Codificadores y Decodificadores
     • Normalización
     • Modelos probabilísticos
   • Ingeniería de características avanzada y NLP
     • Fundamentos de word2vec
     • Componentes del modelo word2vec
     • Lógica del modelo word2vec
     • Extensión del concepto word2vec
     • Aplicación del modelo word2vec
   • Estudio de caso: Aplicación de bag of words: resumido automático de texto utilizando algoritmos de Luhn simplificados y originales
6. Clustering, clasificación y modelado de temas de documentos
   • Clustering de documentos y minería de patrones (clustering jerárquico, k-means, clustering, etc.)
   • Comparación y clasificación de documentos utilizando medidas de distancia TFIDF, Jaccard y coseno
   • Clasificación de documentos usando Naïve Bayes y Máxima Entropía
7. Identificación de elementos importantes del texto
   • Reducción de dimensionalidad: Análisis de Componentes Principales, Descomposición en Valores Singulares, factorización de matrices no negativas
   • Modelado de temas y recuperación de información mediante Análisis Semántico Latente
8. Extracción de entidades, análisis de sentimiento y modelado de temas avanzado
   • Positivo vs. negativo: grado de sentimiento
   • Teoría de la respuesta al ítem
   • Etiquetado de categoría gramatical y su aplicación: encontrar personas, lugares y organizaciones mencionadas en el texto
   • Modelado de temas avanzado: Asignación Latente de Dirichlet
9. Estudios de caso
   • Minería de reseñas de usuarios no estructuradas
   • Clasificación y visualización de sentimiento de datos de reseñas de productos
   • Minería de registros de búsqueda para patrones de uso
   • Clasificación de texto
   • Modelado de temas