دانلود آموزش Learning Path – Get Started with Natural Language Processing Using Python, Spark, and Scala

چه شما برنامه نویس پایتون با کمی تجربه باشید و یا اینکه هیچ تجربه برنامه نویسی با پایتون نداشته باشید یا یک دانشمند داده با تجربه و یا یک مهندس باشید این دوره آموزشی شما را با پردازش زبان طبیعی با استفاده از زبان های برنامه نویسی پایتون و اسکالا آشنا میکند. همچنین نحوه استفاده از طیف وسیعی از ابزار های محبوب پردازش زبان طبیعی مانند Spark, scikit-learn, SpaCy, NLTK و gensim برای استخراج متن را برای شما شرح میدهد.

در این آموزش شما با تکنیک های رایج پردازش متن آشنا خواهید شد ، همچنین خواهید آموخت چگونه از یادگیری ماشین برای تولید annotators استفاده نمائید و آنها را بر روی داده ها اعمال کنید و در ادامه با تفاوت بین  NLP pipelines و دیگر approache ها برای استخراج متن معنا دار آشنا خواهیم شد. در این آموزش شما در مورد استاندارد UIMA annotators وcustom annotators وmachine-learned annotators خواهید آموخت و هیمنطور خواهید آموخت چگونه برای text processing pipelines میتوان ابزار های نظیر Kafka, Spark, SparkSQL, Cassandra, و ElasticSearch را با یکدیگر ترکیب کرد.

منتشر شده در :

http://tutdl.ir/wp-content/uploads/icons/company.png O’Reilly

 

ارزش واقعی آموزش :

dollar_currency_sign32 ماهانه ۱۶۰ هزار تومان

 

قیمت برای خرید از سایت جهت دانلود :

dollar_currency_sign32۵  هزار تومان

 

 

مدرس ویدیو

http://tutdl.ir/wp-content/uploads/icons/authors-icon.png O’Reilly Media, Inc

 

زمان ویدیو

http://tutdl.ir/wp-content/uploads/icons/video.png ۵ ساعت و ۴۸ دقیقه

 

حجم ویدیو

http://tutdl.ir/wp-content/uploads/icons/bandwidth.png  ۴٫۲ گیگابایت

 

برای خرید الکترونیکی این محصول به لینک زیر مراجعه نمایید

لینک پرداخت الکترونیکی

و یا جهت تهیه اکانت VIP و دسترسی به تمام آموزش های VIP به آدرس زیر مراجعه نمائید.

https://tutdl-vip.ir

 

Table of Contents

  1. Introduction
    1. Course Introduction 00:02:25
    2. About The Author 00:00:36
    3. How To Access Your Working Files 00:01:15
  2. Getting Started: Basic String Processing In Python
    1. String Operations 00:04:49
    2. Working With Unicode 00:05:16
  3. Converting Text To Symbols: Tokenization In NLTK and spaCy
    1. Splitting Documents 00:04:41
    2. Splitting Sentences 00:03:20
    3. Filtering Stop Words 00:02:07
  4. Going Subsymbolic: Vector Representations
    1. tf-idf Gensim 00:09:24
    2. Word Vectors 00:03:35
    3. Google Word Vectors 00:04:03
    4. Learn Word Vectors 00:08:07
  5. Finding The Structure Of Text: Parsing In spaCy
    1. Dependency Parsing 00:03:39
    2. Sentence Head 00:02:23
    3. Named Entities 00:03:21
  6. Determining How The Writer Feels: Sentiment Analysis In VADER
    1. Sentiment Analysis Intro 00:03:18
    2. Sentiment In VADER 00:05:13
  7. Making Decisions: Text Classification
    1. Text Classification Intro 00:02:45
    2. Classification With TextBlob 00:10:25
    3. Classification With scikit-learn 00:07:17
  8. Indentifying Discussed Topics: LDA In Gensim
    1. LDA Introduction 00:02:43
    2. LDA Gensim 00:07:13
    3. LDA pyLDAvis 00:03:54
  9. Toward Machine Reading: Entity Extraction And Linking
    1. Entity Linking 00:03:28
    2. pyspotlight 00:03:16
    3. FRED 00:03:16
  10. Conclusion
    1. Conclusion 00:02:24
  11. Part 1: Introduction
    1. Welcome to the Course 00:01:39
    2. Natural Language Understanding in Examples 00:10:09
  12. Part 2: NLP Pipelines
    1. Building an NLP Pipeline 00:15:49
  13. Part 3 – Annotators
    1. Commonly Used Annotators 00:08:47
    2. Detecting Positive, Negative & Speculative Polarity 00:12:09
    3. Machine Learned Annotators 00:12:16
  14. Part 4: Custom Annotators
    1. NLP Pipelines are Domain Specific 00:06:55
    2. Unified Medical Language System (UMLS) 00:03:33
    3. Coding Custom Annotators 00:07:17
  15. Part 5: Machine Learned Annotators
    1. Training & Using Machine Learned Annotators 00:09:45
  16. Part 6: Ontology Enrichment
    1. The Need for Learned and Updated Ontologies 00:09:39
    2. Learning New Medical Concepts and Relationships 00:19:37
  17. Part 7: Architecture
    1. An End-to-End Reference Architecture 00:04:19
    2. Spark, SparkSQL, Cassandra Workflow 00:03:16
    3. ElasticSearch & SparkSQL 00:06:52
  18. Part 8: Parting Advice
    1. Language is Source and Domain-Specific 00:09:32
    2. Welcome to the Course 00:01:37
  19. Part 1: Building a natural language processing and entity extraction pipeline on Scala & Spark
    1. Notebook 1: Introduction 00:02:35
    2. Annotation Library 00:04:15
    3. Basic Annotators 00:08:59
    4. Vocabulary Analysis 00:09:30
    5. Exercise: Building a stopword annotator 00:05:06
  20. Part 2: Machine Learning Applications for Statistical Natural Language Understanding at Scale
    1. Notebook 2: Introduction 00:02:14
    2. Model-based Annotators 00:04:18
    3. Creating a Binary Classifier 00:14:38
    4. Exercise: Predicting score or popularity 00:05:30
  21. Part 3: Topic Modeling on Natural Language with Scala, Spark and MLLib
    1. Notebook 3: Introduction 00:02:12
    2. K-Means clustering 00:07:03
    3. LDA topic modeling 00:07:39
    4. Exercise: Using topics for score or popularity prediction 00:02:36
  22. Part 4: Deep Learning Applications for Natural Language Understanding with Scala, Spark and MLLib
    1. Notebook 4: Introduction 00:02:07
    2. Word2Vec 00:05:05
    3. Expanding genre entity lists 00:04:49
    4. Exercise: Using Word2Vec based features for score or popularity prediction 00:02:44

همچنین ببینید

دانلود آموزش Frontend Masters – Data Structures and Algorithms in JavaScript

توضیحات : به یکی از بهترین دوره های جاوا اسکریپت و الگوریتم خوش آمدید. اگر …

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *