INTELIGÊNCIA ARTIFICIAL (IA) – TRATAMENTO DA LINGUAGEM NATURAL (NLP)
- inteligência artificial, Inteligência Artificial, New, PRO
- 0 (Registered)
A formação Inteligência Artificial (IA) – Tratamento da Linguagem Natural (NLP) destina‑se a profissionais que pretendem compreender os princípios do NLP e implementá‑los com Python. Ao longo do programa, os participantes trabalham com NLTK para aplicar técnicas como segmentação (tokenização), stemming, lematização, POS tagging, chunking e Named Entity Recognition (NER/NEM), bem como análise de textos com métricas de frequência e dispersão. Inclui ainda um estudo de caso de análise de sentimentos e integração com scikit‑learn para classificação, com exercícios práticos orientados a dados reais e utilização imediata em contexto profissional.
- Reconhecer os princípios do NLP.
- Implementar os princípios do NLP com Python.
Introdução
• Compreender a linguagem humana e saber gerar respostas respeitando as diferentes etapas.
• Reconhecimento de caracteres, ou da voz.
• Conversão dos dados em texto.
• Decomposição em elementos de frase.
• Limpeza dos dados.
• Tratamento da ambiguidade de uma palavra.
• Reconhecimento de uma entidade nomeada (NEM).
• Tratamento das múltiplas referências para uma entidade.
• Extração das informações subjetivas…
• As ferramentas de NLP e histórico
• Ferramentas estatísticas, de Machine Learning, de Deep Learning.
• Watson NLU.
• Python.
• NLTK.
• Aplicações atuais.
• Soluções de deteção de spam.
• Tradução automática.
• Assistentes virtuais.
• Análises de opiniões, de sentimentos…
Python e o NLTK
• Introdução: plataformas suportadas e versões do Python
• Apresentação dos textos e modelos fornecidos com o NLTK.
Exemplos de exercícios práticos
• Instalação do package NLTK e dos datasets.
Tratamento de textos.
• Estudo das diferentes funções fornecidas pelo NLTK.
• Segmentação de um texto em palavras ou em frases com nltk.tokenize().
• Limpeza de textos com a filtragem de palavras.
• Stemming com nltk.stem.
• Alertas sobre os riscos de uma má utilização.
• Etiquetagem das diferentes partes de um texto com nltk.pos-tag().
• Lematização, para identificar as formas canónicas das palavras.
• Identificação de frases com o chunking.
Exemplos de exercícios práticos
• Realização de exemplos em datasets simples.
Análises de textos
• Descrição de nltk.ne_chunk() para o reconhecimento de identidades nomeadas.
• Apresentação das funções concordance().
• Dispersion_plot().
Exemplos de exercícios práticos
• Importação de corpus de textos, análise, destaque da utilização de termos característicos.
Estudo de caso.
• Análise de sentimentos com nltk.sentiment
• Apresentação das funções disponíveis.
Exemplos de exercícios práticos
• Implementação num corpus.
• Utilização de polarity.scores().
Integração de scikit-learn
• Importação dos algoritmos de classificação do scikit-learn.
Exemplos de exercícios práticos
• Exemplo de utilização dos algoritmos do scikit-learn a partir do nltk.
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré-requisitos e necessidades dos participantes.
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Objetivos da formação
- Reconhecer os princípios do NLP.
- Implementar os princípios do NLP com Python.
Duração da formação
Programa da formação
Introdução
• Compreender a linguagem humana e saber gerar respostas respeitando as diferentes etapas.
• Reconhecimento de caracteres, ou da voz.
• Conversão dos dados em texto.
• Decomposição em elementos de frase.
• Limpeza dos dados.
• Tratamento da ambiguidade de uma palavra.
• Reconhecimento de uma entidade nomeada (NEM).
• Tratamento das múltiplas referências para uma entidade.
• Extração das informações subjetivas…
• As ferramentas de NLP e histórico
• Ferramentas estatísticas, de Machine Learning, de Deep Learning.
• Watson NLU.
• Python.
• NLTK.
• Aplicações atuais.
• Soluções de deteção de spam.
• Tradução automática.
• Assistentes virtuais.
• Análises de opiniões, de sentimentos…
Python e o NLTK
• Introdução: plataformas suportadas e versões do Python
• Apresentação dos textos e modelos fornecidos com o NLTK.
Exemplos de exercícios práticos
• Instalação do package NLTK e dos datasets.
Tratamento de textos.
• Estudo das diferentes funções fornecidas pelo NLTK.
• Segmentação de um texto em palavras ou em frases com nltk.tokenize().
• Limpeza de textos com a filtragem de palavras.
• Stemming com nltk.stem.
• Alertas sobre os riscos de uma má utilização.
• Etiquetagem das diferentes partes de um texto com nltk.pos-tag().
• Lematização, para identificar as formas canónicas das palavras.
• Identificação de frases com o chunking.
Exemplos de exercícios práticos
• Realização de exemplos em datasets simples.
Análises de textos
• Descrição de nltk.ne_chunk() para o reconhecimento de identidades nomeadas.
• Apresentação das funções concordance().
• Dispersion_plot().
Exemplos de exercícios práticos
• Importação de corpus de textos, análise, destaque da utilização de termos característicos.
Estudo de caso.
• Análise de sentimentos com nltk.sentiment
• Apresentação das funções disponíveis.
Exemplos de exercícios práticos
• Implementação num corpus.
• Utilização de polarity.scores().
Integração de scikit-learn
• Importação dos algoritmos de classificação do scikit-learn.
Exemplos de exercícios práticos
• Exemplo de utilização dos algoritmos do scikit-learn a partir do nltk.
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré-requisitos e necessidades dos participantes.
Formador
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Clique na imagem para expandir
Os nossos espaços de formação oferecem todas as condições para continuar o seu desenvolvimento pessoal e profissional em absoluta segurança
Não se esqueça de subscrever o blog RhBizz e de nos seguir no LindekIn, Facebook, Instagram e Youtube.
