Машинное обучение для анализа текстов
Научитесь анализировать тексты с помощью нейросетей
В бесплатном режиме вам доступны видеоуроки первой главы. В платном — уроки остальных глав, задания и сертификация
-
52 урока, тесты после каждой главы, итоговый тест -
Чат с однокурсниками -
Свободное расписание -
Сертификат Лекториума при успешном прохождении всех тестовых заданий
У курса два режима прохождения: в бесплатном режиме всем пользователям доступны видеоуроки первой главы курса. В платном — уроки остальных глав, оцениваемые задания и сертификация. Присоединяйтесь к курсу в любое время
Из курса вы узнаете, что такое разговорный искусственный интеллект и на чем он основан. Вы освоите различные методы машинного обучения, которые используются для анализа текстов, и отработаете все полученные знания на практических занятиях.
В курсе рассказывается о видах машинного обучения (обучение с учителем, обучение без учителя, обучение с подкреплением), о задачах классификации и регрессии. Вы научитесь проводить лингвистический анализ текста (токенизация, стемминг, лемматизация и др.), узнаете о логистической регрессии и «деревьях» решений.
Для кого
Курс будет полезен:
- Студентам математических, гуманитарных и IT-специальностей
- Проджект-менеджерам
- IT-специалистам
- Всем, кто владеет основами программирования на Python
Зачем
- Научиться анализировать самые разные тексты быстро и легко
программа курса
Вы узнаете:
- Основные методы машинного обучения
Вы научитесь:
- Решать задачи классификации текстов, морфологического анализа, распознавания именованных сущностей с использованием методов машинного обучения
- Технике разработки компьютерных моделей машинного обучения на языке программирования Python
- Объективно оценивать системы разговорного искусственного интеллекта
- Проводить лингвистический анализ текста (токенизация, стемминг, лемматизация и др.)
1.1. Машинное обучение: когда оно бывает вредным?
1.2. Виды машинного обучения
1.3. История развития искусственного интеллекта
1.4. Умеет ли искусственный интеллект общаться?
1.5. Как анализировать целые тексты?
1.6. Обучение с учителем. Классификация и регрессия
1.2. Виды машинного обучения
1.3. История развития искусственного интеллекта
1.4. Умеет ли искусственный интеллект общаться?
1.5. Как анализировать целые тексты?
1.6. Обучение с учителем. Классификация и регрессия
2.1. Какие признаки бывают у объектов?
2.2. Стемминг: как отсекать лишнее?
2.3. Лемматизация: что делать с морфологическими омонимами?
2.4. Ищем устойчивые сочетания слов. Статистика vs лингвистика
2.5. Выбор значимых элементов из «мешка слов» на основе критерия χ2
2.6. Токенизация и лемматизация русских текстов с помощью библиотеки spaCy. Практическое занятие
2.7. Векторизация текстов на основе TF-IDF и сокращение «мешка слов» на основе χ2. Практическое занятие
2.8. Применение коллокатора для «умного» выявления наиболее частотных словосочетаний. Практическое занятие
2.2. Стемминг: как отсекать лишнее?
2.3. Лемматизация: что делать с морфологическими омонимами?
2.4. Ищем устойчивые сочетания слов. Статистика vs лингвистика
2.5. Выбор значимых элементов из «мешка слов» на основе критерия χ2
2.6. Токенизация и лемматизация русских текстов с помощью библиотеки spaCy. Практическое занятие
2.7. Векторизация текстов на основе TF-IDF и сокращение «мешка слов» на основе χ2. Практическое занятие
2.8. Применение коллокатора для «умного» выявления наиболее частотных словосочетаний. Практическое занятие
3.1. Методы обучения с учителем. Логистическая регрессия
3.2. Как обучать логистическую регрессию?
3.3. Что делать, если компьютер «переучился»?
3.4. Как оценить качество логистической регрессии?
3.5. Точность, полнота и F-мера для оценки качества классификации
3.6. Регуляризация и подбор гиперпараметров логистической регрессии
3.7. Применение библиотеки scikit-learn для анализа тональности твитов методом логистической регрессии. Практическое занятие
3.8. Оценка качества алгоритма классификации. Практическое занятие
3.9. Как улучшить качество классификатора? Практическое занятие
3.10. Как выбрать оптимальные гиперпараметры? Практическое занятие
3.2. Как обучать логистическую регрессию?
3.3. Что делать, если компьютер «переучился»?
3.4. Как оценить качество логистической регрессии?
3.5. Точность, полнота и F-мера для оценки качества классификации
3.6. Регуляризация и подбор гиперпараметров логистической регрессии
3.7. Применение библиотеки scikit-learn для анализа тональности твитов методом логистической регрессии. Практическое занятие
3.8. Оценка качества алгоритма классификации. Практическое занятие
3.9. Как улучшить качество классификатора? Практическое занятие
3.10. Как выбрать оптимальные гиперпараметры? Практическое занятие
4.1. Для чего нужны деревья решений?
4.2. Базовый алгоритм
4.3. Алгоритм ID3
4.4. Как бороться с переобучением деревьев?
4.5. Дискретизация количественных признаков
4.6. Выращиваем деревья решений для анализа тональности сообщений. Практическое занятие
4.7. Выращиваем деревья решений без ограничений по глубине. Практическое занятие
4.2. Базовый алгоритм
4.3. Алгоритм ID3
4.4. Как бороться с переобучением деревьев?
4.5. Дискретизация количественных признаков
4.6. Выращиваем деревья решений для анализа тональности сообщений. Практическое занятие
4.7. Выращиваем деревья решений без ограничений по глубине. Практическое занятие
5.1. Теоретические основы ансамблирования
5.2. Бэггинг. Как повысить разнообразие алгоритмов в коллективе?
5.3. Бэггинг и дилемма смещения-разброса
5.4. Бустинг
5.5. Градиентный бустинг
5.6. Смесь экспертов
5.7. Многоярусное обобщение. Стекинг
5.8. Построение ансамбля алгоритмов для задачи анализа тональности сообщений. Практическое занятие
5.9. Использование бэггинга для логистической регрессии. Практическое занятие
5.10. Градиентное усиление деревьев решений. Практическое занятие
5.11. Иерархический ансамбль. Стекинг. Практическое занятие
5.2. Бэггинг. Как повысить разнообразие алгоритмов в коллективе?
5.3. Бэггинг и дилемма смещения-разброса
5.4. Бустинг
5.5. Градиентный бустинг
5.6. Смесь экспертов
5.7. Многоярусное обобщение. Стекинг
5.8. Построение ансамбля алгоритмов для задачи анализа тональности сообщений. Практическое занятие
5.9. Использование бэггинга для логистической регрессии. Практическое занятие
5.10. Градиентное усиление деревьев решений. Практическое занятие
5.11. Иерархический ансамбль. Стекинг. Практическое занятие
6.1. Интерпретируемость машинного обучения
6.2. Значимость признаков на основе перестановок
6.3. Вектор Шепли
6.4. Вероятностная тематическая модель
6.5. Вероятностный латентно-семантический анализ
6.6. Латентное размещение Дирихле
6.7. Значимость слов для классификации текстов: «белый ящик» и «черный ящик». Практическое занятие
6.8. Использование вероятностных тематических моделей для анализа текстового корпуса. Практическое занятие
Подводим итоги
6.2. Значимость признаков на основе перестановок
6.3. Вектор Шепли
6.4. Вероятностная тематическая модель
6.5. Вероятностный латентно-семантический анализ
6.6. Латентное размещение Дирихле
6.7. Значимость слов для классификации текстов: «белый ящик» и «черный ящик». Практическое занятие
6.8. Использование вероятностных тематических моделей для анализа текстового корпуса. Практическое занятие
Подводим итоги
Автор
- Иван Бондаренко
Доцент кафедры систем информатики Факультета информационных технологий НГУ, старший преподаватель кафедры фундаментальной и прикладной лингвистики Гуманитарного института НГУ, научный сотрудник лаборатории прикладных цифровых технологий Математического центра НГУ
Как выглядит курс
Научитесь анализировать тексты с помощью нейросетей
Машинное обучение для анализа текстов
Из онлайн-курса «Машинное обучение для анализа текстов» вы узнаете об основных методах «классического» машинного обучения, научитесь решать задачи классификации текстов, в частности задачу анализа тональности высказывания, морфологического анализа, распознавания именованных сущностей с использованием методов машинного обучения. Также вы овладеете техникой разработки компьютерных моделей машинного обучения на языке программирования Python.
- Что вы получите?
- В бесплатном режиме видеолекции первой главы доступны вам полностью. После оплаты обучения для вас откроется полный доступ ко всем лекциям, проверочным заданиям и сертификации
- 52 видеоурока
- Авторская подача: просто и понятно
- Свободное расписание: нет дедлайнов и сроков сдачи заданий
- Все материалы доступны сразу, можно начать в удобное время после запуска курса
- Проверочные задания после каждой главы
- Быстрая связь с техподдержкой и чат с однокурсниками
- Профессиональное видео и современная графика
- Сертификат о прохождении курса
- Зачем?
- Научиться анализировать самые разные тексты быстро и легко
FAQ
Да. Но в нем есть платные опции. Часть материалов доступна только после оплаты. Вы можете оплатить доступ к дополнительным опциям на этой странице в любой момент.
Первая глава доступна после записи на курс. После оплаты обучения в течение суток вам будет открыт доступ к остальным главам, заданиям и сертификации. Все инструкции по работе с платформой придут вам на электронную почту, указанную при оплате.
Все обучение проходит онлайн. Вы изучаете уроки и общаетесь с сокурсниками в чате.
В нашем курсе нет вебинаров. Вы можете общаться с однокурсниками в чате.
В нашем курсе нет дедлайнов и сроков. Вы можете проходить его в комфортном темпе.
Нет, вы учитесь на онлайн-платформе и смотрите потоковое видео.
Для просмотра лекций вам подойдет практически любое устройство (компьютер, телефон, планшет), на котором вам комфортно работать. Скорость интернета должна быть такой, чтобы можно было без задержек смотреть потоковое видео. Выполнять тесты и выпускать сертификаты удобнее на компьютере.
Напишите нам на почту support@lektorium.tv, мы пришлем реквизиты и подготовим нужные документы.
Да, конечно. Просто укажите эту опцию при оплате. Надо будет ввести имя и email получателя и отправителя подарка.
Больше прекрасных курсов
Реквизиты курса
Новосибирский государственный университет
Длительность курса — 6 недель
Длительность курса — 6 недель
Находясь на сайте, вы даете согласие на обработку файлов cookie. Это необходимо для более стабильной работы сайта