|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ia-busca-semantica-de-textos-com-s-bert-tf-idf-e-lsalsi/
课程评论：没有评论
**课程名称：** IA - S-BERT、TF-IDF 和 LSA/LSI 文本语义搜索 **课程概述：** 本课程是一个深入的人工智能训练营，专注于使用 Python 进行自然语言处理（NLP），教授 S-BERT、TF-IDF 和 LSA/LSI 等技术，以开发文本语义搜索机制。通过解决实际的合同分析系统问题，学员将学习如何构建一个更智能的文本搜索解决方案。 **主要内容：** **一、 基础知识：** * **数据科学基础：** 掌握数据科学的基本概念和原理。 * **机器学习基础：** 学习机器学习的核心知识。 * **自然语言处理（NLP）基础：** 了解 NLP 的基本概念和技术。 * **词嵌入、停用词、词形还原、词干提取与数据匿名化基础：** 学习文本处理的关键技术，包括词嵌入（Word Embeddings）、停用词（Stopwords）、词形还原（Lematization）、词干提取（Steaming）和数据匿名化（Anonimização de Dados）。 * **关键词文本搜索与文本语义搜索基础：** 理解不同类型的文本搜索方法。 **二、 数据科学实践：** * **问题理解：** 学习如何理解并定义数据科学问题。 * **数据准备：** 掌握数据收集、清洗和预处理的技巧。 * **统计分析与数据探索：** 学习如何进行统计分析和数据可视化，以深入了解数据。 **三、 CRISP-DM 项目开发：** * **第一阶段：业务理解：** 学习项目启动所需的核心要素，包括电梯演讲、问题理解、应用背景、用户痛点和价值交付。 * **第二阶段：数据收集：** 掌握数据收集的方法，包括使用公开数据集、巴西开放数据门户和开放知识原则。 * **第三阶段：数据预处理：** 学习使用 Pandas 和 Numpy 进行数据转换，并掌握数据匿名化技术。 * **第四阶段：探索性数据分析与图表创建：** 使用 Plotly 等工具进行探索性数据分析和图表可视化。 * **第五阶段：建模：** 使用 S-BERT、TF-IDF、LSA/LSI 等技术，通过 Python 实现文本语义搜索机制。 * **第六阶段：结果评估：** 学习如何评估模型的准确性、性能和结果。 **实践项目：** 学员将在 Google Colab 中，利用多种机器学习技术开发文本搜索机制。
Em um rico Bootcamp de Inteligência Artificial, aprenda S-BERT, TF-IDF e LSA/LSI através de Natural Processing Language (Liguaguem de Processamento Natural - PLN/NPL) com a linguagem Python, e desenvolva um mecanismo de pesquisa semântica de textos resolvendo um problema real de um sistema de análise de contratos. Como conteúdo:Fundamentos:- Aprenda fundamentos de Ciência de Dados;- Aprenda fundamentos de Machine Learning;- Aprenda fundamentos de Processamento de Linguagem Natural;- Aprenda fundamentos de Word Embendings, Stopwords, Lematização, Steaming e Anonimização de Dados;- Aprenda fundamentos de busca de texto por palavras-chave e busca semântica de textos;Pratique Ciência de Dados para entendimento do problema, preparação da base, análise estatística e exploração de dados;Desenvolva o projeto com CRISP-DM:- Fase 1: Entendimento do Negócio, Elevator Pitch, Compreensão do Problema, Contexto da Aplicação, Dores do Usuário e Entrega de Valor;- Fase 2: Coleta de Dados, Datasets Públicos para Ciência de Dados, Portal Brasileiro de Dados Abertos, Princípios de Open Knowledge;- Fase 3: Pré Processamento de Dados, Transformação de Dados com Pandas e Numpy e Anonimização dos Dados- Fase 4: Análise Exploratória dos Dados e Criação de Gráficos com Plotly;- Fase 5: Modelagem, Implemente Mecanismos de Busca Semântica de Textos através de S-BERT, TF-IDF, LSA/LSI com Python;- Fase 6: Avaliação de Resultados (acurácia, performance e atendimento ).Projeto prático: - Desenvolva mecanismos de busca de textos no Google Colab através de várias técnicas de Machine Learning.
