Natural Language Processing Training
450,00 EUR
- 50 hours
El curso de Procesamiento de Lenguaje Natural (NLP) ofrece una exploración profunda de cómo se utilizan los algoritmos de aprendizaje automático para analizar y procesar grandes cantidades de datos de lenguaje natural. A medida que el NLP continúa impulsando avances en la IA, este curso te equipa con las habilidades esenciales para seguir una carrera como Ingeniero de NLP. A lo largo del curso, profundizarás en conceptos clave como la traducción automática estadística, modelos neuronales, modelos de similitud semántica profunda (DSSM), incrustación de bases de conocimiento neuronales y técnicas de aprendizaje por refuerzo profundo. Además, explorarás la aplicación de modelos neuronales en el subtitulado de imágenes y en la respuesta a preguntas visuales, utilizando el Toolkit de Lenguaje Natural (NLTK) de Python.
Características clave
Idioma
Curso y material en inglés
Nivel
Nivel principiante - intermedio
acceso de 1 año
a la plataforma y grabaciones de clases
6 horas de lecciones en video
28 horas de clase en vivo en línea (Inscripción flexible)
Hora de Estudio
Recomendación de 50 horas de tiempo de estudio
Laboratorio Virtual incluido
y 2 proyectos finales de curso
Práctica
2 Prueba de evaluación
No hay examen
pero se incluye certificado de finalización
Resultados de aprendizaje
Al finalizar este curso, podrás:
Procesar texto
Comprender e implementar técnicas para preprocesar y analizar datos textuales de manera efectiva.
Desarrollar módulos de PNL
Crear componentes funcionales de PNL capaces de realizar tareas como el modelado de lenguaje y la generación de texto
Construir Modelos de Voz
Diseñar modelos básicos que puedan convertir el habla en texto y viceversa, facilitando la interacción fluida entre humanos y computadoras
Trabajar con tuberías de PNL
Construir y gestionar flujos de trabajo de PNL de principio a fin, asegurando un procesamiento de datos eficiente y la integración del modelo
Clasificar y Agrupar Texto
Aplica algoritmos para categorizar y agrupar textos similares, ayudando en tareas como el modelado de temas y el análisis de sentimientos.
Contenido de eLearning
Trabajando con un corpus de texto
Lección 1
- La descripción del curso
- Acceda y utilice el corpus incorporado de NLTK
- Cargando un corpus
- Distribución de frecuencia condicional
- Ejemplo de recursos léxicos
Procesamiento de texto en bruto con NLTK
Lección 2
- Trabajando con un pipeline de PNL
- Implementación de la Tokenización
- Expresiones Regulares utilizadas en la Tokenización
Lenguaje Natural
Lección 3
Ejemplo práctico del mundo real de clasificación de texto
Lección 4
- Clasificación de texto con Naive Bayes
- Aplicación de Predicción de Edad
- Aplicación Clasificadora de Documentos
Encontrar información útil entre montones de texto
Lección 5
- Jerarquía de ideas o fragmentación
- Fragmentación en Python NLTK
- Segmentando patrones no chunk en NLTK
Análisis de Texto
Lección 6
Desarrollando una aplicación de voz a texto utilizando Python
Lección 7
- Módulo de reconocimiento de voz de Python
- Reconocimiento de voz a texto con redes neuronales recurrentes
- Reconocimiento de voz a texto con redes neuronales convolucionales
Más temas
Lección 8
- Extracción de características
- Aprendizaje automático
- Herramientas de Python
- Empaquetado
- Aprendizaje profundo
- Manifestaciones
Contenido de la Clase en Vivo
Introducción a la PNL
Lección 1
- Definición y alcance de la PNL
- Aplicaciones en el mundo real e importancia del PLN
- Terminologías básicas como corpus, tokenización y análisis sintáctico
Análisis de Datos de Texto
Lección 2
- Técnicas de preprocesamiento de datos tokenización, eliminación de palabras vacías, y derivación, lematización
- Exploración y visualización de datos de texto
- Ingeniería de características
- Clasificación de texto - análisis de sentimientos utilizando NLTK - Clasificador Bayesiano Ingenuo
Vectorización de texto NLP
Lección 3
- Representación vectorial de texto - codificación one hot
- Entendiendo la técnica BoW
- TFIDF
Representaciones Distribuidas
Lección 4
- Incrustaciones de trabajo y su importancia en PNL
- Explicación detallada de los embeddings Word2Vec y Glove
- Entrenamiento y uso de incrustaciones de palabras preentrenadas
Traducción Automática y Búsqueda de Documentos
Lección 5
- Sistemas de traducción automática y sus aplicaciones
- Construyendo un sistema básico de traducción automática
- Introducción a la búsqueda de documentos utilizando TF-IDF y BM25
- Métricas de evaluación para la traducción automática y la recuperación de información
Modelos de secuencia
Lección 6
- Introducción al modelado de secuencias en PNL
- Redes Neuronales Recurrentes (RNNs) y sus aplicaciones
- Aplicación de modelos de secuencia en el análisis de sentimientos
- Desafíos en el entrenamiento de RNNs como los gradientes que desaparecen
Modelos de Atención
Lección 7
- Modelos de secuencia a secuencia
- Introducción a los mecanismos de atención en PNL
- Exploración en profundidad de la arquitectura transformer
- Modelos modernos de PNL como BERT y GPT que utilizan mecanismos de atención
Análisis de Audio
Lección 8
- Ecosistema Python para análisis de audio
- Lectura y reproducción de archivos de audio utilizando bibliotecas de Python
- Cargar, visualizar y manipular datos de audio
Procesamiento de Señales Digitales y Extracción de Características
Lección 9
- Fundamentos del procesamiento de señales
- Análisis de dominio de frecuencia utilizando python
- Introducción a los MFCC y otras características espectrales
- Implementación de la extracción de características en Python
- Comparar diferentes técnicas de extracción de características
Aprendizaje profundo para el habla
Lección 10
- Aplicación del aprendizaje automático en audio
- Construyendo modelos de aprendizaje profundo para el reconocimiento de voz
- Transferencia de aprendizaje para el reconocimiento de voz
Síntesis de Audio y Modelos Generativos para Audio
Lección 11
- Introducción a las redes generativas antagónicas (GANs) para audio
- Generando muestras de audio realistas utilizando GANs
- Generación de música con aprendizaje profundo
- Aplicando el aprendizaje profundo para generar música
- Comprensión e implementación de modelos para la composición musical
¿Quién debería inscribirse en este programa?
El curso de Procesamiento de Lenguaje Natural es ideal para cualquiera que quiera familiarizarse con este emergente y emocionante dominio de la inteligencia artificial (IA)
Requisitos previos
Los estudiantes deben tener un conocimiento básico de matemáticas, estadística, ciencia de datos y aprendizaje automático.
Científicos de Datos y Analistas
Ingenieros de Aprendizaje Automático e Inteligencia Artificial
Desarrolladores de Software
Investigadores y Académicos
Profesionales de Negocios y Marketing
Estudiantes en programas de pregrado/ posgrado
Preguntas Frecuentes
¿Necesitas una solución corporativa o integración de LMS?
¿No encontraste el curso o programa que encajaría para tu empresa? ¿Necesitas integración con un LMS? ¡Escríbenos! ¡Resolveremos todo!