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
