Procesamiento de Lenguaje Natural con Python en Google Colab

Curso de Fundamentos de Procesamiento de Lenguaje Natural con Python y NLTK

Contenido del curso

Introducción al Procesamiento de Lenguaje Natural

Fundamentos con NLTK

Perspectivas de lo que viene

24
Fundamentos del Procesamiento del Lenguaje Natural con NLTK
03:16 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0011:08

Procesamiento de Lenguaje Natural con Python en Google Colab

Curso de Fundamentos de Procesamiento de Lenguaje Natural con Python y NLTK

Clase 4 de 24

Clase 4 / 24

Recursos

Trabajar con procesamiento de lenguaje natural ya no requiere configuraciones complicadas ni instalaciones locales. Con NLTK y Google Colab puedes comenzar a explorar corpus de texto en español en cuestión de minutos, directamente desde tu navegador. A continuación se explican los pasos fundamentales para importar la librería, descargar un corpus y realizar las primeras operaciones de exploración sobre los datos.

¿Por qué usar Google Colab para procesamiento de lenguaje natural?

Google Colab es una plataforma que permite ejecutar notebooks tipo Jupyter sin instalar nada en tu computador [0:12]. Al abrir un navegador web ya tienes acceso a una instancia con RAM y disco asignados, e incluso puedes usar GPUs y TPUs para modelos más sofisticados. La gran ventaja para ciencia de datos y machine learning es que muchas librerías, incluyendo NLTK, ya vienen preinstaladas, lo que elimina la fricción inicial.

Cuando la marca verde de RAM y disco aparece en la parte superior del notebook, significa que la instancia está lista para soportar todos tus cálculos [0:42].

¿Cómo importar NLTK y descargar un corpus en español?

El primer paso es importar la librería con una sola línea:

python import nltk

Una vez importada, es necesario descargar el corpus que se quiere procesar. NLTK mantiene una base central con múltiples volúmenes de texto (corpus o corpora). Para obtener uno específico se utiliza nltk.download() indicando el nombre del recurso [1:17]:

python nltk.download('cess_esp')

El corpus cess_esp es una colección de texto en español compuesta por titulares de noticias que ya están tokenizados, es decir, cada palabra y signo de puntuación aparece como un elemento independiente dentro de listas [2:10].

¿Qué estructura tiene el corpus descargado?

Para cargar las oraciones del corpus y explorar su contenido se escribe:

python corpus = nltk.corpus.cess_esp.sents() print(corpus)

El resultado es una lista de listas (los corchetes cuadrados dobles lo confirman). Cada sublista representa un titular de noticia tokenizado [2:26]. Para conocer el tamaño del corpus basta con usar len():

python print(len(corpus))

Esto devuelve 6 030, lo que indica que el corpus contiene seis mil treinta titulares de noticias en español [3:05].

¿Qué significa aplanar una lista y para qué sirve?

El proceso de aplanar (o flatten) consiste en concatenar todas las sublistas en una sola lista grande. De esta forma se obtiene una secuencia continua de tokens en lugar de una estructura anidada [3:25].

python flatten = [w for l in corpus for w in l] print(len(flatten))

Esta sintaxis compacta equivale a un doble ciclo for: el ciclo exterior recorre cada lista dentro del corpus y el ciclo interior recorre cada palabra dentro de esa sublista [3:55]. El resultado arroja 192 685 tokens, que pueden ser palabras o signos de puntuación dependiendo de la estructura del corpus [4:50].

Para inspeccionar solo una porción se usa la notación de slicing:

python print(flatten[:20])

Esto muestra los primeros veinte elementos, que corresponden aproximadamente al primer titular completo [5:10]. Si se amplía el rango a cien, se pueden observar varios titulares concatenados, confirmando que el aplanamiento funcionó correctamente [5:35].

¿Qué papel juegan las expresiones regulares en el procesamiento de texto?

Las expresiones regulares son un lenguaje estandarizado para definir patrones de búsqueda dentro de cadenas de texto [1:55]. Python incluye la librería Re para trabajar con ellas:

python import re

La documentación oficial de la librería re está disponible directamente desde los notebooks del curso y cubre todo lo necesario para aplicar expresiones regulares en Python [2:00]. Aunque en esta sesión solo se introduce el concepto, en la siguiente clase se aplican funciones con expresiones regulares para encontrar patrones específicos dentro de los textos del corpus.

¿Ya probaste cargar el corpus cess_esp en tu propio notebook de Colab? Comparte en los comentarios qué otros corpus de NLTK te gustaría explorar y qué patrones de texto te interesaría buscar.

Gabriel Obregón

Hace un año

🧠Procesamiento de Lenguaje Natural con Python en Google Colab

🌍 1. Introducción

Objetivo principal:

👉 Iniciar en el Procesamiento de Lenguaje Natural (PLN) con Python y Google Colab.

Por qué usar Colab:

✨ 100% en la nube (no necesitas instalar nada).

📦 Incluye librerías como NLTK preinstaladas.

💪 Compatible con GPU y TPU.

🧩 Ideal para análisis de texto y proyectos de machine learning.

💻 2. Primeros pasos en Google Colab

Qué es: Un entorno interactivo tipo Jupyter Notebook para escribir y ejecutar código en tiempo real.

⚙️ Cómo comenzar

🟢 1. Conecta el entorno:

import nltk

➡️ Colab se activará automáticamente (verás un punto verde).

🧠 2. Usa recursos avanzados: Activa GPU o TPU desde Entorno de ejecución → Cambiar tipo de hardware.

📘 3. Aprende más: Curso recomendado → Introducción a Machine Learning (Platzi).

📚 3. Importar y preparar un corpus con NLTK

NLTK = Natural Language Toolkit Permite acceder a corpus de texto como CESS_ESP (titulares en español).

🔹 Descargar corpus

import nltk

nltk.download('cess_esp')

🔹 Cargar y explorar datos

from nltk.corpus import cess_esp as corpus

print(len(corpus.sents())) # Número de frases o titulares

📊 Resultado: sabrás cuántos textos contiene el corpus antes de analizarlos.

🧩 4. Procesamiento básico con expresiones regulares

Expresiones regulares (regex) → detectan patrones en texto. Usan la librería re:

import re

🌀 Aplanar el corpus (listas de listas → lista única)

flatten = [w for l in corpus.sents() for w in l]

print(len(flatten)) # Cantidad total de tokens

👀 Visualizar los primeros tokens

print(flatten[:20])

🔍 Objetivo: entender la estructura del texto tokenizado.

🧠 5. Importancia de las expresiones regulares

⚡ Las regex permiten:

Detectar patrones complejos (fechas, emails, nombres…). Limpiar o normalizar texto.
Extraer información precisa.

📘 Siguiente paso: profundizar con cursos de regex y PLN.

Comentarios (31)31 comentarios

Miguel Angel Velazquez Romero

Hace 6 años

Mario Alberto García Meza

Profesor

Rodrigo Ramos Xochiteotzin

Hace 5 años

SAMUEL ORTEGA CRUZ

Hace 4 años

Matias Alexander Ibarra Trujillo

Josue Farley Lopez Carvajal

Giovany samaca

Augusto Gonzalez

John Freddy Barrantes Gama

Gerson Italo Huarcaya Zapana

Diego Alejandro Lesmes

JUAN CARLOS QUELCA VELASQUEZ

Henry Mendiburu Díaz

Sergio Fernandez

Hace 2 años

Alejandro López

Gabriel Missael Barco

Alejandro Sánchez Yalí

Eber Laurente Lliuyacc

Gabriela Chamorro Legarda

Jhon David Vanegas Guerrero

Lily Alonso

Anthony Ismael Manotoa Moreno

Jefferson Archivos

Francisco Camacho

Jhon Freddy Tavera Blandon

Sergio Andres Rios Gomez

Introducción al Procesamiento de Lenguaje Natural

Fundamentos del Procesamiento de Lenguaje Natural con Python y NLTK

Evolución y Técnicas del Procesamiento del Lenguaje Natural

Procesamiento del Lenguaje Natural con Python y NLTK

Fundamentos con NLTK

Procesamiento de Lenguaje Natural con Python en Google Colab

Expresiones Regulares en Python: Patrones de Búsqueda Avanzados

Tokenización de Texto con Expresiones Regulares en Python

Estadística para Procesamiento del Lenguaje: Riqueza Léxica y Métricas

Cálculo de frecuencias con NLTK y diccionarios en Python

Filtrado y Visualización de Frecuencias de Palabras con NLTK y NumPy

Estadísticas de Ennegramas y Colocaciones en Textos

Extracción de Ngramas y Bigramas con NLTK en Python

Análisis de Colocaciones con NLTK y Pandas en Python

Visualización de Colocaciones en Textos con Pandas y Plotly

Identificación de Colocaciones en Textos con NLTK y PMI

Recursos Léxicos: Uso y Aplicación en Procesamiento del Lenguaje

Recursos Léxicos en Python: Vocabularios, Frecuencias y Stopwords

Traducción de palabras con Swadesh en procesamiento de lenguaje natural

Uso de WarNet para Procesamiento del Lenguaje Natural

Análisis de Sinsets e Hipónimos con NLTK y WordNet en Google Colab

Medición de Similitud Semántica con WordNet en Python

Extracción y Procesamiento de Texto desde Páginas Web con NLTK

Organización de Código en Google Colab con Funciones y Módulos

Funciones y Buenas Prácticas en Google Colab y Python

Perspectivas de lo que viene

Fundamentos del Procesamiento del Lenguaje Natural con NLTK

Procesamiento de Lenguaje Natural con Python en Google Colab

Progreso del curso

Introducción al Procesamiento de Lenguaje Natural

Fundamentos con NLTK

Perspectivas de lo que viene

Recursos

Recursos