آموزش متن کاوی و NLP عملی در پایتون با استفاده از Textblob | پردازش زبان طبیعی آسان شد - آخرین آپدیت
Hands-on Text mining & NLP In Python Using Textblob | Natural Language Processing Made Easy
در NLP Boot-Camp: Hands-on Text mining در پایتون با استفاده از دوره TextBlob برای مبتدیان، متن کاوی، تجزیه و تحلیل احساسات، توکن سازی، استخراج عبارت اسمی، N-gram و بسیاری چیزهای جدید را یاد خواهید گرفت. من از یک سطح بسیار ابتدایی شروع خواهم کرد، جایی که فرض میکنم همه افراد مبتدی هستند و هیچ دانشی در مورد یادگیری ماشین، هوش مصنوعی و پردازش زبان طبیعی ندارند. بنابراین، من همه چیز را به روشی بسیار آسان توضیح خواهم داد. من با توکنیزاسیون، برچسبگذاری بخشهای گفتار، استخراج عبارت اسمی، تجزیه و تحلیل احساسات، بررسی املا، عطف کلمات، واژهسازی، چک کردن املا، واژهها و فرکانس عبارت اسمی و N-gram شروع خواهم کرد. سپس، به سطح متوسط میپرم، جایی که نحوه توسعه سیستم طبقهبندی متن خود را توضیح میدهم و توضیح میدهم که طبقهبندی کننده Naive Bayes چیست، چگونه یک مدل ایجاد کنید، آموزش و آزمایش آن را انجام دهید. در سطح پیشرفته/نهایی، دقت مدل را توضیح می دهم، سپس دوباره در مورد Tokenizer، Sentiment Analyzer، Parts-of-Speech Tagger و Noun Phrase Extractor توضیح خواهم داد. برای همه این پروژه ها، من از یکی از ساده ترین کتابخانه های پایتون برای پردازش زبان طبیعی استفاده خواهم کرد و آن TextBlob است. این NLP Boot-Camp: Hands-on Text Mining در پایتون با استفاده از دوره TextBlob برای مبتدیان به گونه ای طراحی شده است که پس از این دوره، یادگیری سایر کتابخانه های پیشرفته پردازش زبان طبیعی مانند NLTK، Tensor-Flow، و Keras و غیره از بین نخواهد رفت. برای شما سخت تر است.
دانش آموزان یاد خواهند گرفت:
- مفاهیم قوی در مورد پردازش زبان طبیعی
- فرمان کامل روی Tokenization، Tagging و Noun Phrase Extraction
- دانش کامل در مورد تجزیه و تحلیل احساسات، عطف کلمات و واژه سازی
- آشنایی کامل با N-grams، فرکانس و سیستم طبقه بندی متن
- دانش کامل در مورد طبقه بندی کننده های ساده بیز و دقت مدل
- دانش کامل در مورد تشخیص زبان، ترجمه، بررسی املا
- علاوه بر این، دانشآموزان یاد خواهند گرفت "چگونه از کلاسهای NLTK در TextBlob استفاده کنیم؟"
پیش نیازها:
- برنامه نویسی پایه پایتون.
دانشجویان باید مدل خود را با ایجاد یک مجموعه داده و سپس بررسی دقت مدل خود و آزمایش آن با ارائه برخی اطلاعات واقعی مانند نقد فیلمها، نظرات محصولات آمازون و غیره آموزش دهند.
پنج مرحله برای انجام این پروژه وجود دارد:
- ایجاد یک مجموعه داده برای مدل
- تقسیم مجموعه داده به دو بخش
- آموزش مدل در اولین مجموعه داده
- بررسی دقت مدل در مجموعه داده دوم
- آزمایش مدل با ارائه مجموعه داده های دنیای واقعی.
درس ها Lessons
-
تحلیلگر احساسات Sentiment Analyzer
-
پروژه کلاس Class Project
-
TextBlob چیست؟ What is TextBlob?
-
خطای HTTP HTTP Error
-
آماده سازی محیط برای توسعه Environment Preparation For Development
-
تجزیه و تحلیل احساسات پیشرفته Advanced Sentiment Analysis
-
NaiveBayesClassifier NaiveBayesClassifier
-
Textblob مانند رشته های Python عمل می کند Textblob acts like Python Strings
-
N-گرم N-grams
-
سیستم طبقه بندی متن Text Classification System
-
بررسی دقت مدل و به روز رسانی مدل Checking Model Accuracy and Model Updating
-
استخراج کننده عبارت اسمی Noun Phrase Extractor
-
طبقه بندی TextBlob TextBlob Classification
-
فراوانی کلمات و عبارات اسمی Words and Noun Phrase Frequency
-
تحلیل احساسات Sentiment Analysis
-
طبقه بندی متن Text Classification
-
عبارات اسمی Noun Phrases
-
عطف کلمات Words Inflection
-
بخشی از برچسب زدن گفتار Part Of Speech Tagging
-
شاخص های شروع و پایان Start and End Indices
-
توکن ساز Tokenizer
-
بررسی املا Spellcheck
-
ایجاد لکه و توکنیزاسیون Blob Creation and Tokenization
-
بلببر Blobber
-
برچسب POS POS Tagger
-
تشخیص زبان و ترجمه Language Detection and Translation
Nileg Production
نمایش نظرات