- Для всех
- С сертификатом
- На русском языке
- 15 часов
- 4 999₽
Машинное обучение для анализа текстов
Вы узнаете, как создать диалогового робота, автоматизировать и ускорить поиск нужной информации в больших массивах данных. Поймёте, как написать программу, умеющую различать интонацию, с которой написаны сообщения в соцсетях. Сможете научить компьютер понимать естественные языки и извлекать из этого пользу.
- Для всех
- С сертификатом
- На русском языке
- 15 часов
- 4 999₽
Чему вы научитесь
Превращать текст на естественном языке в набор чисел, понятный компьютеру
Понимать, как устроены собственные программные продукты для автоматизации общения (чат-боты, диалоговые роботы)
Программировать системы для распознавания интентов, анализа тональности и других задач
Понимать, как устроена система разговорного искусственного интеллекта
Объективно оценивать системы разговорного искусственного интеллекта
Проводить лингвистический анализ текста (токенизация, стемминг, лемматизация и другие)
Трейлер курса
Содержание курса
Вы узнаете, что такое разговорный искусственный интеллект и на чём он основан. Научитесь различным методам машинного обучения, которые используются для анализа текстов, и отработаете все полученные знания на практических занятиях.
- 6 модулей
- 6 тем
- 15 часов
- Что такое разговорный искусственный интеллект?
- О чём этот курс?
- Машинное обучение. Когда оно бывает вредным?
- Виды машинного обучения.
- История развития искусственного интеллекта.
- Умеет ли искусственный интеллект общаться?
- Как анализировать целые тексты?
- Обучение с учителем. Классификация и регрессия.
- Как передать текст компьютеру?
- Какие признаки бывают у объектов?
- Стемминг: как отсекать лишнее?
- Лемматизация: что делать с морфологическими омонимами?
- Токенизация и лемматизация русских текстов с помощью библиотеки spaCy. Практическое занятие.
- Ищем устойчивые сочетания слов. Статистика VS лингвистика.
- Выбор значимых элементов из «мешка слов» на основе критерия χ2.
- Векторизация текстов на основе TF-IDF и сокращение «мешка слов» на основе критерия χ2. Практика.
- Применение коллокатора для «умного» выявления наиболее частотных словосочетаний. Практика.
- Как научить компьютер понимать тексты?
- Методы обучения с учителем. Логистическая регрессия.
- Как обучать логистическую регрессию?
- Что делать, если компьютер переучился?
- Как оценить качество логистической регрессии?
- Точность, полнота и F-мера для оценки качества классификации.
- Регуляризация и подбор гиперпараметров логистической регрессии.
- Применение библиотеки scikit-learn для анализа тональности твитов методом логистической регрессии. Практика.
- Оценка качества алгоритма классификации. Практика.
- Как улучшить качество классификатора? Практика.
- Как выбрать оптимальные гиперпараметры? Практика.
- Как вырастить деревья решений?
- Для чего нужны деревья решений?
- Базовый алгоритм.
- Алгоритм ID3.
- Как бороться с переобучением деревьев?
- Дискретизация количественных признаков.
- Выращиваем деревья решений для анализа тональности сообщений. Практика.
- Выращиваем деревья решений без ограничений по глубине. Практика.
Автор курса
Иван Бондаренко
Сертификат от НГУ
Подтвердит, что вы прошли курс, и усилит ваше портфолио или резюме.
