Visão Geral

Curso Machine Learning and Natural Language Processing, Aprenda a implementar técnicas de ML para compreensão de linguagem natural, análise de sentimentos, descoberta de tópicos, etc.

O Curso Machine Learning and Natural Language Processing, fornece uma compreensão básica de Machine Learning (ML) e Natural Language Processing (NLP).  

Este curso começa demonstrando técnicas que podem ser usadas para resolver problemas complexos em uma variedade de indústrias, desde diagnóstico médico até reconhecimento de imagem e previsão de texto. Em seguida, os exercícios práticos oferecem experiência prática na implementação de modelos de ML em conjuntos de dados reais. O curso conclui demonstrando como implementar algoritmos de ML com o TensorFlow e outras bibliotecas de código aberto usadas pelas principais empresas de tecnologia no campo de ML.  

Objetivo

Após este Curso Machine Learning and Natural Language Processing, você será capaz de:

• Examine os problemas associados ao processamento de linguagem natural
  
• Descrever as técnicas básicas usadas no processamento de linguagem natural (por exemplo, classificação de texto, clustering, análise semântica, análise de sentimentos, descoberta de tópicos)
• Criar um chatbot

Materiais

Conteúdo Programatico

Problem of Human Language 

1. Approaches and Techniques
2. Frameworks and Tools
3. RASA, NLTK, Spacy, Prediction IO

Document Term Matrices and Bag of Words Approach 

1. Building Matrix terms using BOW
2. Word Count Representation
3. TF-IDF representation
4. Using rows in DTM to vectorize data

Search and Keyword Extraction 

1. Introducing Search
2. Keyword Extraction
3. N-grams

Vectorizing NL Data 

1. Using Word2Vec to vectorize words
2. Doc2Vec for vectorizing NL Documents
3. Analyzing Word2Vec representations
4. GloVE as an alternative to Word2Vec

Performing Text Classification and Clustering with Vectorized Data 

1. Feature Representations for ML
2. k-Means Clustering on Vectorized Data
3. Classification of Vectorized Data

Sentiment Analysis 

1. Performing Sentiment Scoring
2. Using Sentiment Classification Algorithms
3. Using RASA library to train sentiment analysis

Semantic Analysis 

1. NLP Linguistics Pipelines
2. Parsing / Chunking / POS Tagging
3. Viewing NL as a Bayesian Network

Topic Discovery 

1. Introducing Topic Modeling
2. DTM Rows and LSA
3. LDA as a better Topic Discovery Algorithm
4. Topic Discovery With Prediction.IO

Intents Classification

1. Sequential Modeling 
2. Modeling Speech as a Sequence
3. Markov Models / HMMs
4. Bayesian Networks
5. LSTMs
6. Conversation Chatbot using RASA