Adminisztratív információk
| Cím | Természetes nyelvfeldolgozás |
| Időtartam | 60–70 perc |
| Modul | A |
| Lecke típusa | Praktikus |
| Fókusz | Praktikus – AI modellezés |
| Téma | Szövegbesorolás, hangulati besorolás |
Kulcsszó
Természetes nyelv feldolgozás,Naive Bayes osztályozó,
Tanulási célok
- A hallgató megérti az alapvető NLP technikák alapjait
- A tanuló megismerkedik a Naive Bayes osztályozó használatával
Várható előkészítés
Az előtt befejezendő tanulási események
Egy sem.
Kötelező a diákok számára
- Alapvető Python programozás
- Alapstatisztikák
Választható diákok számára
Referenciák és háttér a diákok számára
- Természetes nyelvi eszköztár
- Christopher D. Manning, Prabhakar Raghavan és Hinrich Schütze, Bevezetés az információgyűjtésbe, Cambridge University Press. 2008
- Jurafskly D., Martin J. H. – Bevezetés az NLP-be, a számítástechnikai nyelvészetbe és a beszédfelismerésbe
Ajánlott tanároknak
- Természetes nyelvi eszköztár
- Christopher D. Manning, Prabhakar Raghavan és Hinrich Schütze, Bevezetés az információgyűjtésbe, Cambridge University Press. 2008
- Jurafskly D., Martin J. H. – Bevezetés az NLP-be, a számítástechnikai nyelvészetbe és a beszédfelismerésbe
Leckeanyagok
Utasítások tanároknak
Ez a tanulási esemény laboratóriumi feladatokból áll, amelyeket a hallgatók a vezető oktató segítségével oldanak meg.
Vázlat
| Időtartam (min) | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 5 | Word tokenizáció | |||
| 5–10 | Pandák DataFrames | |||
| 10 | Táska szavak | |||
| 10 | Tokenizáció rendszeres kifejezéssel | |||
| 10 | N-gramm modellek | |||
| 5 | Stopwords | |||
| 10–15 | Normalizálás, Stemming és Lemmatizálás | |||
| 5–10 | Hangulatelemzés |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.