Visão Geral

Este curso de Processamento de Linguagem Natural (PNL) fornece uma introdução abrangente às principais técnicas e conceitos da PNL, ajudando os participantes a desenvolver habilidades essenciais da PNL. O curso explora métodos de processamento de texto, representação de palavras, análise gramatical e a aplicação de algoritmos de aprendizado de máquina e aprendizado profundo a várias tarefas de PNL, como análise de sentimento, classificação de texto e tradução automática. Os participantes também aprenderão sobre modelos pré-treinados, como BERT e a família GPT, e como usá-los para construir aplicações avançadas de PNL.

O curso combina teoria com aplicação prática, usando a linguagem de programação Python e PNL populares e bibliotecas de aprendizado de máquina, como NLTK, spaCy, TensorFlow e PyTorch. Ao longo do curso, os alunos participarão de exercícios práticos e trabalharão em projetos para reforçar sua compreensão e ganhar experiência prática em PNL.

Objetivo

Após concluir este Curso Natural Languange Processing with Python você será capaz de:

• A história, aplicações e importância do processamento de linguagem natural (PNL).
• Técnicas de processamento de texto, como enraizamento de tokenização, lematização e como são usadas para preparar dados para análise.
• Os diferentes métodos de representação de palavras no contexto da PNL, incluindo codificação one-hot, Bag-of-Words (BoW), TF-IDF e Word Embeddings.
• Como aplicar o processamento de texto na prática usando bibliotecas Python e PNL.
• Análise de sintaxe e gramatical, incluindo análise constitucional/dependente e marcação de classe gramatical (POS) e reconhecimento de nome de entidade (NER).
• Técnicas de análise de sentimentos e classificação de textos, juntamente com estratégias de seleção de características relevantes.
• Como realizar análises de sentimento usando algoritmos de aprendizado de máquina e aprendizado profundo.
• Modelos Seq2Seq e conceitos-chave associados, como codificador-decodificador e mecanismo de atenção, bem como áreas de aplicação relevantes.
• Modelos pré-treinados como BERT e a família GPT (incluindo ChatGPT) e como eles podem ser usados ​​em problemas de PNL.
• Métodos para avaliar o desempenho de modelos de PNL, desafios na área e direções futuras no desenvolvimento de PNL.

Publico Alvo

• Estudantes e pesquisadores interessados ​​em inteligência artificial, aprendizado de máquina e processamento de linguagem natural.
• Desenvolvedores e engenheiros de software que desejam expandir suas habilidades em PNL e construir aplicativos baseados na compreensão e geração de texto.
• Especialistas em análise de dados e cientistas de dados que desejam integrar a análise de texto em seus projetos e modelos analíticos.
• Profissionais de inteligência artificial e aprendizado de máquina que desejam se especializar em PNL para se manterem competitivos em suas carreiras.
• Empreendedores e gerentes de produto que desejam explorar oportunidades de negócios e inovações relacionadas à PNL em diferentes setores.

Pre-Requisitos

• Habilidades básicas de programação (familiaridade com Python)
• Compreensão fundamental das técnicas de aprendizado de máquina
• Experiência com bibliotecas de ML em Python
• Conhecimento básico de Deep Learning

Materiais

Conteúdo Programatico

• Introduction to NLP: History, Applications and Meaning.
• Text processing: tokenization, root, lematization, etc.
• Word Representation: One-hot, BoW, TF-IDF, Word Embeddings.
• Practical application: text processing using Python and NLP libraries.
• Syntax and grammatical analysis: Constitutional/dependent parsing, POS tagging, NER.
• Sentiment Analysis/Text Classification: Techniques and feature selection.
• Practical Application: Sentiment analysis with ML algorithms and deep learning.
• Seq2Seq models: Encoder-Decoder, attention mechanism, applications.
• Pre-trained models: BERT, GPT family (including ChatGPT).
• Evaluation metrics, challenges and future directions in NLP.