Lo que me encanta, es que el profe ya tiene todo planeado y estructurado (se ve desde el maproad pasado). Digo, yo entiendo que ayude ver que escriban codigo para que se vea dinamico; pero que, por la complejidad del tema, decida mejor invertir el tiempo en explicar como funcionan las herramientas, me parece la mejor decision ❤️
Desambiguación y etiquetado de palabras
Introducción a la desambiguación
Etiquetado rápido en Python: español e inglés
Etiquetado rápido en Python: Stanza (Stanford NLP)
Modelos Markovianos Latentes (HMM)
Cadenas de Markov
Modelos Markovianos latentes (HMM)
Entrenando un HMM
Fases de entrenamiento de un HMM
Entrenando un HMM en Python
Algoritmo de Viterbi
El algoritmo de Viterbi
Cálculo de las probabilidades de Viterbi
Carga del modelo HMM y distribución inicial
Implementación de algoritmo de Viterbi en Python
Entrenamiento directo de HMM con NLTK
Modelos Markovianos de máxima entropía (MEMM)
Modelos Markovianos de máxima entropia (MEMM)
Algoritmo de Viterbi para MEMM
Reto: construye un MEMM en Python
Clasificación de texto con NLTK
El problema general de la clasificación de texto
Tareas de clasificación con NLTK
Modelos de clasificación en Python: nombres
Modelos de clasificación en Python: documentos
Implementación de un modelo de clasificación de texto
Naive Bayes
Naive Bayes en Python: preparación de los datos
Naive Bayes en Python: construcción del modelo
Naive Bayes en Python: ejecución del modelo
Métricas para algoritmos de clasificación
Reto final: construye un modelo de sentimientos
Etiquetado rápido en Python: español e inglés
2/26Recursos
Aportes 11
Preguntas 4
Ordenar por:
Para no tener que copiar los tags a mano:
nltk.download('tagsets')
for _, tag in nltk.pos_tag(text):
print(nltk.help.upenn_tagset(tag))
Si se utiliza el libro de colab del curso…
para agregar más notas abajo de " # @title …"
se puede utilizar " # @markdown " seguido de las notas que queramos agregar.
por qué el “+1” ?
bi_tagger = bt(cess_sents[:fraction])
bi_tagger.evaluate(cess_sents[fraction+1:])
nltk.download('tagsets')
for tag in ['CC', 'RB', 'PRP']:
print(nltk.help.upenn_tagset(tag))
CC: conjunción, coordinación
RB: adverbio
PRP: pronombre, personal
![Francisco Garcia [C6]](https://static.platzi.com/media/avatars/avatars/garciafran_c845c2fe-2ea4-42db-a305-a7f4ef13b0fd.jpeg)
Excelente, que buen ejemplo
En este link se habla mas del tema, es de la pag. de NLTK: Push Me
Espere por mucho el curso y esta buenisimo
resultados con UNITAGGER
[(‘Tres’, ‘dn0cp0’),
(‘tristes’, ‘aq0cp0’),
(‘tigres’, None),
(‘tragaron’, None),
(‘trigo’, ‘ncms000’),
(‘en’, ‘sps00’),
(‘un’, ‘di0ms0’),
(‘trigal’, None)]
resultados con BITAGGER
[(‘Tres’, ‘dn0cp0’),
(‘tristes’, None),
(‘tigres’, None),
(‘tragaron’, None),
(‘trigo’, None),
(‘en’, None),
(‘un’, None),
(‘trigal’, None)]
decia que hay un error al inicio de la demostración en español
el orden correcto es
cess_sents = cess.tagged_sents()
fraction = int(len(cess_sents)*90/100)
cess_sents = cess.tagged_sents()
uni_tagger = ut(cess_sents[:fraction])
uni_tagger.evaluate(cess_sents[fraction+1:])
Alguien sabe como puedo mejorar el etiquetado para que sea mayor al 90%?
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.