Pular para o conteúdo principal
InícioPython

Feature Engineering for NLP in Python

Learn techniques to extract useful information from text and process them into a format suitable for machine learning.

Comece O Curso Gratuitamente
4 horas15 vídeos52 exercícios25.028 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado por alunos de milhares de empresas


Descrição do Curso

In this course, you will learn techniques that will allow you to extract useful information from text and process them into a format suitable for applying ML models. More specifically, you will learn about POS tagging, named entity recognition, readability scores, the n-gram and tf-idf models, and how to implement them using scikit-learn and spaCy. You will also learn to compute how similar two documents are to each other. In the process, you will predict the sentiment of movie reviews and build movie and Ted Talk recommenders. Following the course, you will be able to engineer critical features out of any text and solve some of the most challenging problems in data science!
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Cientista de aprendizado de máquina em Python

Ir para a trilha

Processamento de linguagem natural em Python

Ir para a trilha
  1. 1

    Basic features and readability scores

    Gratuito

    Learn to compute basic features such as number of words, number of characters, average word length and number of special characters (such as Twitter hashtags and mentions). You will also learn to compute readability scores and determine the amount of education required to comprehend a piece of text.

    Reproduzir Capítulo Agora
    Introduction to NLP feature engineering
    50 xp
    Data format for ML algorithms
    50 xp
    One-hot encoding
    100 xp
    Basic feature extraction
    50 xp
    Character count of Russian tweets
    100 xp
    Word count of TED talks
    100 xp
    Hashtags and mentions in Russian tweets
    100 xp
    Readability tests
    50 xp
    Readability of 'The Myth of Sisyphus'
    100 xp
    Readability of various publications
    100 xp
  2. 2

    Text preprocessing, POS tagging and NER

    In this chapter, you will learn about tokenization and lemmatization. You will then learn how to perform text cleaning, part-of-speech tagging, and named entity recognition using the spaCy library. Upon mastering these concepts, you will proceed to make the Gettysburg address machine-friendly, analyze noun usage in fake news, and identify people mentioned in a TechCrunch article.

    Reproduzir Capítulo Agora
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.

Nas seguintes faixas

Cientista de aprendizado de máquina em Python

Ir para a trilha

Processamento de linguagem natural em Python

Ir para a trilha

conjuntos de dados

Russian Troll TweetsMovie Overviews and TaglinesPreprocessed Movie ReviewsTED Talk TranscriptsReal and Fake News Headlines

colaboradores

Collaborator's avatar
Adrián Soto
Collaborator's avatar
Hillary Green-Lerman
Rounak Banik HeadshotRounak Banik

Data Scientist at Fractal Analytics

Ver Mais

O que os outros alunos têm a dizer?

Junte-se a mais de 15 milhões de alunos e comece Feature Engineering for NLP in Python hoje mesmo!

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.