Este curso de Procesamiento del Lenguaje Natural (PNL) proporciona una introducción integral a las técnicas y conceptos clave de la PNL, ayudando a los participantes a desarrollar habilidades esenciales en el campo. El curso explora métodos de procesamiento de texto, representación de palabras, análisis gramatical y la aplicación de algoritmos de aprendizaje automático y aprendizaje profundo a diversas tareas de PNL, como análisis de sentimientos, clasificación de texto y traducción automática. Los participantes también aprenderán sobre modelos previamente entrenados, como BERT y la familia GPT, y cómo usarlos para crear aplicaciones avanzadas de PNL.
El curso combina la teoría con la aplicación práctica, utilizando el lenguaje de programación Python y bibliotecas populares de PNL y aprendizaje automático como NLTK, spaCy, TensorFlow y PyTorch. A lo largo del curso, los estudiantes participarán en ejercicios prácticos y trabajarán en proyectos para fortalecer su comprensión y adquirir experiencia práctica en PNL.
• Historia, aplicaciones e importancia del procesamiento del lenguaje natural (PNL).
• Técnicas de procesamiento de texto, como tokenización, enraizamiento y lematización, y cómo se utilizan para preparar datos para el análisis.
• Los diferentes métodos de representación de palabras en el contexto de PNL, incluida la codificación one-hot, Bag-of-Words (BoW), TF-IDF y Word Embeddings.
• Cómo poner en práctica el procesamiento de textos utilizando las bibliotecas Python y NLP.
• Análisis de sintaxis y gramática, incluido el análisis constitucional/dependiente y el etiquetado de partes del discurso (POS) y el reconocimiento de nombres de entidades (NER).
• Técnicas de análisis de sentimientos y clasificación de textos, junto con estrategias para seleccionar características relevantes.
• Cómo realizar análisis de sentimiento utilizando algoritmos de aprendizaje automático y aprendizaje profundo.
• Modelos Seq2Seq y conceptos clave relacionados, como codificador-decodificador y el mecanismo de atención, así como áreas de aplicación relevantes.
• Modelos previamente entrenados como BERT y la familia GPT (incluidos ChatGPT) y cómo se pueden utilizar en problemas de PNL.
• Métodos para evaluar el desempeño de los modelos de PNL, desafíos en el campo y direcciones futuras en el desarrollo de PNL.
- Habilidades básicas de programación (familiaridad con Python), comprensión fundamental de las técnicas de aprendizaje automático, experiencia con bibliotecas ML en Python, conocimientos básicos de Deep Learning.
• Introducción a la PNL: Historia, Aplicaciones y Significado.
• Procesamiento de textos: Tokenización, root, lematización, etc.
• Representación de palabras: One-hot, BoW, TF-IDF, incrustaciones de palabras.
• Aplicación práctica: Procesamiento de textos utilizando bibliotecas Python y NLP.
• Análisis de sintaxis y gramática: análisis constitutivo/dependiente, etiquetado POS, NER.
• Análisis de sentimiento/Clasificación de textos: técnicas y selección de características.
• Aplicación práctica: Análisis de sentimiento con algoritmos ML y aprendizaje profundo.
• Modelos Seq2Seq: Codificador-Decodificador, mecanismo de atención, aplicaciones.
• Modelos previamente entrenados: BERT, familia GPT (incl. ChatGPT).
• Métricas de evaluación, desafíos y direcciones futuras en PNL.
No hay recomendaciones en este momento.
Después de este curso, recibirá un certificado de finalización.
