Neste capítulo, você será introduzido ao Processamento de Linguagem Natural (NLP) e aprenderá sobre alguns de seus casos de uso, como reconhecimento de entidades nomeadas e chatbots alimentados por IA. Você aprenderá a usar a poderosa biblioteca spaCy para realizar várias tarefas de processamento de linguagem natural, como tokenização, segmentação de frases, marcação de partes do discurso e reconhecimento de entidades nomeadas.
Anotações Linguísticas e Vetores de Palavras spaCy
Neste capítulo, você aprenderá sobre recursos linguísticos, vetores de palavras, similaridade semântica, analogias e operações com vetores de palavras. Você descobrirá como usar o spaCy para extrair vetores de palavras, categorizar textos relevantes para um determinado tópico e encontrar termos semanticamente semelhantes a palavras fornecidas a partir de um corpus ou do vocabulário de um modelo do spaCy.
Análise de Dados com spaCy
Neste capítulo, você ficará familiarizado com os componentes do pipeline spaCy, aprenderá como adicionar um novo componente ao pipeline e analisar o pipeline de PNL. Você também aprenderá sobre várias abordagens para extração de informações baseada em regras usando as classes EntityRuler, Matcher e PhraseMatcher no spaCy e no pacote RegEx do Python.
Adicionando pipes no spaCy
Analisando pipelines no spaCy
EntityRuler spaCy
RegEx com spaCy
spaCy Matcher e PhraseMatcher
Personalizando Modelos spaCy
Neste capítulo, você explorará múltiplos casos de uso do mundo real onde os modelos spaCy podem falhar e aprenderá como treiná-los ainda mais para melhorar o desempenho do modelo. Você será apresentado aos passos de treinamento do spaCy e entenderá como treinar um modelo existente do spaCy ou partir do zero e avaliar o modelo no momento da inferência.
Conclusão
Neste curso de spaCy, você aprendeu a usar a biblioteca para realizar várias tarefas de processamento de linguagem natural, desde tarefas básicas como tokenização e segmentação de frases até tarefas avançadas, como reconhecimento de entidades nomeadas e customização de modelos de acordo com seus requisitos específicos. Com o spaCy, você tem à sua disposição uma ferramenta poderosa para lidar com texto de forma eficiente e fácil. Experimente os exemplos acima e explore ainda mais o potencial do spaCy em seus projetos de NLP.