25.12.6
This website uses cookies to ensure you get the best experience on our website. Learn more

Procesamiento del Lenguaje Natural Moderno en Python

El curso de Procesamiento del Lenguaje Natural Moderno está diseñado para cualquiera que quiera crecer o empezar una nueva carrera y obtener una sólida formación en el campo del NLP. Hoy en día, la industria está cada vez más necesitada de soluciones de NLP. Chatbots y automatización en línea, modelado de lenguaje, extracción de eventos, detección de fraude en contratos enormes son sólo algunos ejemplos de lo que se demanda hoy en día. Aprender NLP es clave para aportar soluciones reales a las necesidades presentes y futuras. A lo largo de este curso, aprovecharemos la enorme cantidad de datos de voz y texto disponibles en línea y exploraremos las 3 principales y más poderosas aplicaciones del NLP, que te darán el poder de abordar con éxito cualquier desafío del mundo real. Primero, nos sumergiremos en las Redes Neuronales Convolucionales para crear una aplicación de análisis de sentimiento Luego, iremos a Transformers, reemplazando las Redes Neuronales Recurrentes para crear un sistema de traducción de idiomas El curso es fácil de usar y sobre todo muy eficiente: nuestro curso Procesamiento del Lenguaje Natural Moderno aprovecha las últimas tecnologías - Tensorflow 2.0 y Google Colab - asegurándote que no tendrás ningún problema de compatibilidad con tu ordenador, con la instalación o la versión del software y que estás usando las herramientas más actualizadas y avanzadas.

Skills / Knowledge

  • Investigar la evolución de la IA a través de los papers publicados
  • Distinguir entre varias funciones de activación
  • Valorar el poder de la IA en combinación con entornos digitales
  • Comprender el uso de redes neuronales de convolución en problemas de NLP
  • Utilizar la terminología de NLP
  • Explicar el uso de los Transformer en NLP
  • Crear una IA que pueda realizar análisis de sentimiento en NLP
  • Explicar el proceso de tokenización del texto
  • Explicar la capa de atención
  • Realizar enconding posicional
  • Explicar las analogías entre texto e imágenes en las CNN
  • Personalizar capas de una red neuronal
  • Asociar el producto escalar entre vectores a las operaciones de la red neuronal
  • Cargar librerías específicas para el algoritmo Transformers
  • Leer y justificar el uso de metodologías en el algoritmo Transformers
  • Aplicar algoritmos de codificación y descodificación apilados en serie

Issued on

January 16, 2023

Expires on

January 16, 2028