Cursos de NLP

NLP Training

Natural Language Processing, Natural Language Processing courses

Testi...Client Testimonials

Natural Language Processing with Python

I did like the exercises

- Office for National Statistics

Neural Networks Fundamentals using TensorFlow as Example

Knowledgeable trainer

Sridhar Voorakkara - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

I was amazed at the standard of this class - I would say that it was university standard.

David Relihan - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

Very good all round overview.Good background into why Tensorflow operates as it does.

Kieran Conboy - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

I liked the opportunities to ask questions and get more in depth explanations of the theory.

Sharon Ruane - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

Given outlook of the technology: what technology/process might become more important in the future; see, what the technology can be used for

Commerzbank AG

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Subcategorías

Programas de los Cursos de NLP

Código Nombre Duración Información General
nlp Procesamiento de Lenguajes Naturales 21 horas Este curso ha sido diseñado para personas interesadas en extraer significado del texto escrito en inglés, aunque el conocimiento se puede aplicar a otros lenguajes humanos. El curso cubrirá cómo hacer uso de textos escritos por humanos, como blogs, tweets, etc ... Por ejemplo, un analista puede configurar un algoritmo que llegará a una conclusión automática basada en una fuente de datos extensa. Breve Introducción a los Métodos de PNL Tokenización de palabras y oraciones Clasificación de texto análisis de los sentimientos corrección ortográfica Extracción de información Analizando Significado extracción Respuesta a pregunta Visión General de la Teoría de la PNL Probabilidad Estadística Aprendizaje automático Modelado del lenguaje n-gram Bayes ingenuos Clasificadores máximos Modelos de secuencia (Hidden Markov Models) Dependencia probabilística Análisis de componentes Modelos vectoriales de espacio de significado
python_nltk Procesamiento de Lenguajes Naturales con Python 28 horas Este curso introduce a los lingüistas o programadores a la PNL en Python. Durante este curso utilizaremos principalmente nltk.org (Natural Language Tool Kit), pero también usaremos otras bibliotecas relevantes y útiles para PNL. Por el momento podemos realizar este curso en Python 2.x o Python 3.x. Los ejemplos son en inglés o mandarín (普通话). Otros idiomas también pueden ponerse a disposición si se acuerda antes de reservar. Descripción de los paquetes de Python relacionados con PNL   Introducción a la PNL (ejemplos en Python, por supuesto) Manipulación de texto simple Búsqueda de texto Contando palabras División de textos en palabras Dispersión léxica Procesamiento de estructuras complejas Representación de texto en listas Listas de indización Colocaciones Bigrams Distribuciones de frecuencia Condiciona con palabras Comparación de palabras (comienza, termina con, islora, isalpha, etc ...) Comprensión del lenguaje natural Desambiguación de Sentido de Palabra Resolución del pronombre Traducciones automáticas (estadísticas, reglas basadas, literales, etc ...) Ceremonias PNL en Python en ejemplos Acceso a Text Corpora y Recursos Lexical Fuentes comunes para los corpus Distribuciones de frecuencia condicional Contar Palabras por Género Crear propio corpus Pronunciando Diccionario Léxico de Shoebox y Toolbox Sentidos y Sinónimos Jerarquías Relaciones léxicas: Merónimos, Holónimos Similitud semántica Procesamiento de texto en bruto Haciendo estrangular extraer partes de la cadena acceso a personajes individuales buscar, reemplazar, dividir, unir, indexar, etc ... usando expresiones regulares detección de patrones de palabras derivando tokenización normalización del texto Segmentación de palabras (especialmente en chino) Categorización y etiquetado de palabras Tagged Corpora Fichas etiquetadas Conjunto de etiquetas de parte del habla Diccionarios Python Palabras para la asignación Propertieis Etiquetado automático Determinación de la categoría de una palabra (morfológica, sintáctica, semántica) Clasificación de texto (aprendizaje automático) Clasificación supervisada Segmentación de oraciones Validación cruzada Árboles de decisión Extraer información del texto Chunking Ching Etiquetas vs Arboles Analizando la estructura de la oración Gramática Libre de Contexto Analizadores Gramáticas basadas en características de construcción Características gramaticales Procesamiento de estructuras de características Analizar el significado de las oraciones Semántica y Lógica Lógica proposicional Lógica de primer orden Semántica del discurso Gestión de datos lingüísticos Formatos de datos (Léxico vs Texto) Metadatos
tsflw2v Procesamiento del Lenguaje Natural con TensorFlow 35 horas TensorFlow ™ es una biblioteca de software de código abierto para computación numérica utilizando gráficos de flujo de datos. SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow. Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros). Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural. Audiencia Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow. Después de completar este curso, los delegados: Entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro Empezando Instalación e instalación Fundamentos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables TensorFlow Alimentación, lectura y precarga de los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard TensorFlow Mecánica 101 Preparar los datos Descargar Entradas y marcadores de posición Construir el gráfico Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Tren de bucle Evaluar el modelo Construir el Gráfico de Eval Salida de Eval Uso Avanzado Enhebrado y Colas Distribuido TensorFlow Escribir documentación y compartir su modelo Personalización de lectores de datos Uso de GPUs Manipulación de archivos de modelo TensorFlow Servicio TensorFlow Introducción Tutorial de servicio básico Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio Introducción a SyntaxNet Análisis de entrada estándar Anotar un Corpus Configuración de los scripts de Python Construyendo un oleoducto de PNL con SyntaxNet Obtención de datos Etiquetado de parte del habla Entrenamiento del sintaxis POS Tagger Preprocesamiento con el Tagger Análisis de dependencia: Análisis basado en la transición Entrenamiento de un analizador Paso 1: Pretraining local Formación de un analizador Paso 2: Formación global Representaciones Vectoriales de Palabras Motivación: ¿Por qué aprender las incorporaciones de palabras? Aumentar la escala con el entrenamiento con interferencia de ruido El modelo Skip-gram Construyendo el Gráfico Formación del modelo Visualización de los Embeddings aprendidos Evaluación de Embeddings: Razonamiento analógico Optimización de la implementación
nlg Python for Natural Language Generation 21 horas Natural language generation (NLG) refers to the production of natural language text or speech by a computer. In this instructor-led, live training, participants will learn how to use Python to produce high-quality natural language text by building their own NLG system from scratch. Case studies will also be examined and discussed to appreciate the real-world uses of NLG for generating content. By the end of this training, participants will be able to: Use NLG to automatically generate content for various industries, from journalism, to real estate, to weather and sports reporting Select and organize source content, plan sentences, and prepare a system for automatic generation of original content Understand the NLG pipeline and apply the right techniques at each stage Understand the architecture of a Natural Language Generation (NLG) system Implement the most suitable algorithms and models for analysis and ordering Pull data from publicly available data sources as well as curated databases to use as material for generated text Replace manual and laborious writing processes with computer-generated, automated content creation Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice To request a customized course outline for this training, please contact us.
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow. Conceptos básicos de TensorFlow Creación, inicialización, almacenamiento y restauración de variables de TensorFlow Alimentando, leyendo y precargando los datos de TensorFlow Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard Mecánica TensorFlow Entradas y marcadores de posición Construye los GraphS Inferencia Pérdida Formación Entrenar el modelo La gráfica La sesión Train Loop Evaluar el modelo Construye el Gráfico Eval Salida Eval El Perceptron Funciones de activación El algoritmo de aprendizaje perceptron Clasificación binaria con el perceptrón Clasificación de documentos con el perceptrón Limitaciones del perceptrón Desde Perceptron hasta Support Vector Machines Kernels y el truco del kernel Máxima clasificación de márgenes y vectores de soporte Redes neuronales artificiales Límites de decisión no lineal Feedforward y feedback redes neuronales artificiales Perceptrones multicapa Minimizando la función de costo Propagación hacia adelante Reproducción posterior Mejorando la forma en que las redes neuronales aprenden Redes neuronales convolucionales Metas Arquitectura modelo Principios Organización de código Lanzamiento y entrenamiento del modelo Evaluar un modelo
aitech Inteligencia Artificial - La Materia más Aplicada - Análisis de Datos + AI Distribuido + PNL 21 horas 1. Distribución de datos grandes Métodos de minería de datos (entrenamiento de sistemas individuales + predicción distribuida: algoritmos tradicionales de aprendizaje automático + predicción distribuida de Mapreduce) Apache Spark MLlib 2. Recomendaciones y publicidad: Lenguaje natural Agrupación de texto, categorización de texto (etiquetado), sinónimos Restauración del perfil de usuario, sistema de etiquetado Algoritmos recomendados Asegurar la precisión de "levantar" entre y dentro de las categorías Cómo crear ciclos cerrados para algoritmos de recomendación 1. Regresión lógica, RankingSVM, 2. Reconocimiento de funciones (aprendizaje profundo y reconocimiento automático de características para gráficos) 3. Lenguaje natural Segmentación de palabras chinas Modelo de tema (agrupamiento de texto) Clasificación del texto Extraer palabras clave Análisis semántico, analizador semántico, word2vec (vector a palabra) Arquitectura de memoria a largo plazo RNN (TSTM)
pythontextml Python: Machine Learning with Text 21 horas In this instructor-led, live training, participants will learn how to use the right machine learning and NLP (Natural Language Processing) techniques to extract value from text-based data. By the end of this training, participants will be able to: Solve text-based data science problems with high-quality, reusable code Apply different aspects of scikit-learn (classification, clustering, regression, dimensionality reduction) to solve problems Build effective machine learning models using text-based data Create a dataset and extract features from unstructured text Visualize data with Matplotlib Build and evaluate models to gain insight Troubleshoot text encoding errors Audience Developers Data Scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Introduction     The value of text-based data Workflow for a Text-Based Data Science Problem Choosing the Right Machine Learning Libraries Overview of NLP Techniques Preparing a Dataset Visualizing the Data Working with Text Data with scikit-learn Building a Machine Learning Model Splitting into Train and Test Sets Applying Linear Regression and Non-Linear Regression Applying NLP Techniques Parsing Text Data Using Regular Expressions Exploring Other Machine Language Approaches Troubleshooting Text Encoding Issues Closing Remarks
nlpwithr Procesamiento de Lenguaje Natural (NLP) con R 21 horas Se estima que los datos no estructurados representan más del 90 por ciento de todos los datos, gran parte de ellos en forma de texto. Las publicaciones del blog, los tweets, los medios sociales y otras publicaciones digitales añaden continuamente a este creciente cuerpo de datos. Este curso se centra en la extracción de información y significado de estos datos. Utilizando las bibliotecas de lenguaje y procesamiento de lenguaje natural (NLP), combinamos conceptos y técnicas de la informática, la inteligencia artificial y la lingüística computacional para entender algorítmicamente el significado detrás de los datos de texto. Las muestras de datos están disponibles en varios idiomas según los requisitos del cliente. Al final de este entrenamiento los participantes serán capaces de preparar conjuntos de datos (grandes y pequeños) de fuentes dispares, a continuación, aplicar los algoritmos adecuados para analizar e informar sobre su significado. Audiencia Lingüistas y programadores Formato del curso Parte conferencia, discusión de la parte, práctica práctica pesada, pruebas ocasionales para calibrar la comprensión Introducciòn PNL y R vs Python Instalación y configuración de R Studio Instalación de paquetes R relacionados con procesamiento de lenguaje natural (NLP). Una visión general de las capacidades de manipulación de textos de R Comenzar con un proyecto de PNL en R Lectura e importación de archivos de datos en R Manipulación de texto con R Agrupación de documentos en R Partes del etiquetado de voz en R El análisis de oraciones en R Trabajo con expresiones regulares en R Reconocimiento de entidades nombradas en R Tema de modelado en R Clasificación de texto en R Trabajar con conjuntos de datos muy grandes Visualización de los resultados Mejoramiento Integración de R con otros lenguajes (Java, Python, etc.) Comentarios de cierre
opennlp OpenNLP for Text Based Machine Learning 14 horas The Apache OpenNLP library is a machine learning based toolkit for processing natural language text. It supports the most common NLP tasks, such as language detection, tokenization, sentence segmentation, part-of-speech tagging, named entity extraction, chunking, parsing and coreference resolution. In this instructor-led, live training, participants will learn how to create models for processing text based data using OpenNLP. Sample training data as well customized data sets will be used as the basis for the lab exercises. By the end of this training, participants will be able to: Install and configure OpenNLP Download existing models as well as create their own Train the models on various sets of sample data Integrate OpenNLP with existing Java applications Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Introduction to Machine Learning and Natural Language Processing Installing and Configuring OpenNLP Overview of OpenNLP's Library Structure Downloading Existing Models Calling the OpenNLP's APIs Sentence Detection and Tokenization Part-of-Speach (POS) Tagging Phrase Chunking Parsing Name Finding English Coreference Training the Tools Creating a Model from Scratch Extending OpenNLP Closing remarks

Próximos Cursos

Other regions

Cursos de Fin de Semana de NLP, Capacitación por la Tarde de NLP, NLP boot camp, Clases de NLP , NLP coaching, NLP con instructor, Clases de NLP , NLP en sitio, Clases Particulares de NLP, Capacitador de NLP, Cursos Privados de NLP, Cursos en linea de NLP, Cursos de Formación de NLP,Capacitación de Fin de Semana de NLP, Programas de capacitación de NLP, Capacitación empresarial de NLP, Cursos por la Tarde de NLP, Instructor de NLP

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No vamos a pasar o vender su dirección a otros.
Siempre puede cambiar sus preferencias o anular la suscripción por completo.

Algunos de nuestros clientes