Fitur Utama Untuk mengetahui cara kerja Apple Siri / Google Assistant Untuk mengetahui bagaimana Machine dapat memahami bahasa manusia Bantu Google menemukan data buruk dari data yang baik
Apa yang Akan Anda Pelajari Pola bicara dan tulisan untuk berkomunikasi dengan sistem komputer dengan cara yang lebih cepat, lebih mudah, dan lebih nyaman. Webinar langsung untuk melatih chatbot Webinar langsung untuk memahami penerjemah Google
Tentang Anda akan belajar bagaimana mesin dapat dilatih untuk memahami bahasa yang digunakan manusia untuk berinteraksi. Anda akan menemukan banyak algoritma NLP yang mengajarkan model komputasi tentang pemrosesan Lexical, pemrosesan sintaksis dasar. Anda akan mempelajari mekanisme yang digunakan penerjemah Google, untuk memahami konteks bahasa dan mengonversi ke bahasa yang berbeda. Anda akan membuat bot obrolan menggunakan alat sumber terbuka Rasa, yang merupakan percakapan berbasis teks dan suara, memahami pesan, mengadakan percakapan, dan terhubung ke saluran pesan dan API. Anda juga akan belajar melatih model yang Anda buat di NLU.
Mesin tidak dapat dilatih untuk memahami atau memproses data dengan program kode tangan tradisional yang sangat bergantung pada kondisi yang sangat spesifik. Saat ada perubahan input, program kode tangan dianggap tidak berguna. Jadi, daripada harus membuat kode percakapan yang mungkin, kami membutuhkan model yang memungkinkan sistem untuk memahami konteks. Pada akhir kursus Anda akan dapat membangun model NLP yang dapat meringkas blok teks untuk mengekstraksi ide-ide paling penting, analisis sentimen untuk mengekstraksi sentimen dari blok teks yang diberikan, identifikasi entitas tipe yang diekstraksi. Semua proyek yang termasuk dalam kursus ini adalah proyek Dunia Nyata.
Materi Kursus :
01_Code Password 02_Text data Part 1 03_Text data Part 2 04_Text Encoding 05_Regular Expressions Part 1 06_Regular Expressions Part 2 07_Regular Expressions Part 3 08_Regular Expressions Part 4 09_Regular Expressions Part 5 10_Regular Expressions Part 6 11_Regular Expressions Use case 12_Splitting Words 13_Stopwords 14_Bag-of-Words 15a_Handling Similar text Words Part 1 15b_Handling Similar text Words Part 2 16_If-IDF 17_Case-Study Part 1 18_Case-Study Part 2 19_Case-Study Part 3 20a_Soundex Algorithm 20b_Spelling mistakes 21_Case study 22_Dealing with spelling mistake 23_Case-Study 2 24_Case study Spell Corrector-1 25_Case study Spell Corrector-2 26_Case study Spell Corrector-3 27_Handling combined word like New Delhi (Part-1) 28_Handling combined word like New Delhi (Part-2) 29_What is Syntactic Processing 30_Parsing 31_Grammar for English sentence Part 1 32_Grammar for English sentence Part 2 33_Case Study Assign grammar to English sentences Part 1 34_Case Study Assign grammar to English sentences Part 2 35_Stochastic Parsing 36_Viterbi Algorithm 37_Hidden Markov Model 38_Decoding Problem Part 1 39_Decoding problem Part 2 40_Learning Hidden Markov Model 41_Case study on Syntactic Processing Part 1 42_Case study on Syntactic Processing Part 2 43_Introduction 44_Issue with Shallow parsing 45_CFG grammar Part 1 46_CFG grammar Part 2 47_Top-down parsing 48_Case study on advance syntactic processing Part 1 49_Case study on advance syntactic processing Part 2 50_Case study on advance syntactic processing Part 3 51_Practical issues with above approach 52_Probabilistic CFG grammar 53_Why Shallow Parsing is Not Sufficient 54_Chomsky Normal Form 55a_Dependency parsing Part 1 55b_Dependency parsing Part 2 56_Introduction to Information Extraction project Part 1 57_Case study Part 2 58_Case study Part 3 59_Case study Part 4 60_Case study Part 5 61_Case study Part 6 62_Case study Part 7 63_Introduction 64_Concepts 65_Entity 66_Arity 67_Reification 68_Schema 69_Semantic Associations Part1 70_Semantic Associations Part2 71_Terms and concept 72_Principle of composition 73_Wordnet 74_Word Sense Disambiguation 75_Case study on WSD 76_Introduction to Distributional Semantics 77_Distributional Semantics 78_Occurrence Matrix Part 1 79_Occurrence Matrix Part 2 80_Co-occurrence Matrix 81_Word Vectors Part 1 82_Distance Metric 83_Word Vectors Part 2 84_Understanding Word Embeddings 85_LSA- Latent Semantic Analysis 86_Case study with LSA 87_Word2vec Part 1 88_Word2vec Part 2 89_Case study LSA 90_Case study Word2vec Part 1 91_Case study Word2vec Part 2 92_Case study Word2vec Part 3 93_Case study Word2vec Part 4 94_Case study Classification Part 1 95_Case study Classification Part 2 96_Source Code 97_SELESAI
