Questo corso sull'elaborazione del linguaggio naturale (PNL) fornisce un'introduzione completa alle tecniche e ai concetti chiave della PNL, aiutando i partecipanti a sviluppare competenze essenziali sul campo. Il corso esplora i metodi di elaborazione del testo, la rappresentazione delle parole, l'analisi grammaticale e l'applicazione di algoritmi di machine learning e deep learning a varie attività di PNL come l'analisi del sentiment, la classificazione del testo e la traduzione automatica. I partecipanti apprenderanno inoltre modelli pre-addestrati, come BERT e la famiglia GPT, e come utilizzarli per creare applicazioni NLP avanzate.
Il corso combina la teoria con l'applicazione pratica, utilizzando il linguaggio di programmazione Python e le popolari librerie di NLP e machine learning come NLTK, spaCy, TensorFlow e PyTorch. Durante il corso, gli studenti parteciperanno ad esercizi pratici e lavoreranno su progetti per rafforzare la loro comprensione e acquisire esperienza pratica nella PNL.
• Storia, applicazioni e importanza dell'elaborazione del linguaggio naturale (PNL).
• Tecniche di elaborazione del testo come tokenizzazione, rooting e lemmatizzazione e come vengono utilizzate per preparare i dati per l'analisi.
• I diversi metodi di rappresentazione delle parole nel contesto della PNL, tra cui la codifica one-hot, il Bag-of-Words (BoW), il TF-IDF e gli incorporamenti di parole.
• Come mettere in pratica l'elaborazione del testo utilizzando le librerie Python e NLP.
• Analisi della sintassi e della grammatica, inclusa l'analisi costituzionale/dipendente, l'etichettatura delle parti del discorso (POS) e il riconoscimento dei nomi delle entità (NER).
• Analisi del sentiment e tecniche di classificazione del testo, insieme a strategie per la selezione delle caratteristiche rilevanti.
• Come eseguire l'analisi del sentiment utilizzando algoritmi di machine learning e deep learning.
• Modelli Seq2Seq e relativi concetti chiave, come Encoder-Decoder e meccanismo di attenzione, nonché aree di applicazione rilevanti.
• Modelli pre-addestrati come BERT e la famiglia GPT (incl ChatGPT) e come possono essere utilizzati nei problemi di PNL.
• Metodi per valutare le prestazioni dei modelli di PNL, sfide sul campo e direzioni future nello sviluppo della PNL.
- Competenze di programmazione di base (familiarità con Python), comprensione fondamentale delle tecniche di machine learning, esperienza con librerie ML in Python, conoscenza di base di Deep Learning.
• Introduzione alla PNL: storia, applicazioni e significato.
• Elaborazione del testo: tokenizzazione, radice, lemmatizzazione, ecc.
• Rappresentazione di parole: One-hot, BoW, TF-IDF, Word Embedding.
• Applicazione pratica: elaborazione del testo utilizzando le librerie Python e NLP.
• Analisi sintattica e grammaticale: Parsing costitutivo/dipendente, POS Tagging, NER.
• Analisi del sentiment/Classificazione del testo: tecniche e selezione delle caratteristiche.
• Applicazione pratica: analisi del sentiment con algoritmi ML e deep learning.
• Modelli Seq2Seq: Encoder-Decoder, meccanismo di attenzione, applicazioni.
• Modelli pre-addestrati: famiglia BERT, GPT (incl ChatGPT).
• Metriche di valutazione, sfide e direzioni future nella PNL.
Non ci sono raccomandazioni in questo momento.
Dopo questo corso riceverai un certificato di completamento.
