Python - Natural Language Processing (NLP)

Wer die maschinelle Verarbeitung von Sprache beherrschen möchte, gewinnt mit Python ein vielseitiges Werkzeug für moderne Textanwendungen. Dieses Seminar vermittelt praxisnah, wie sich natürliche Sprache analysieren, strukturieren und automatisiert auswerten lässt.

Der Kurs Python - Natural Language Processing (NLP) richtet sich an alle, die ihre Programmierkenntnisse gezielt im Bereich Sprachverarbeitung erweitern wollen. Sie lernen, mit spaCy eigene Verarbeitungslogiken aufzubauen und Texte über Tokenisierung, Entitätenerkennung und syntaktische Analyse strukturiert zu erschließen.

Im weiteren Verlauf der Weiterbildung arbeiten Sie mit leistungsstarken Transformer-Modellen über Hugging Face. Sie setzen vortrainierte Modelle ein, passen diese an eigene Daten an und nutzen Prompt Engineering zur Textgenerierung – etwa für Chatbots, automatische Zusammenfassungen oder die gezielte Informationsextraktion.

Durch den klaren Praxisbezug übertragen Sie das Gelernte direkt auf reale Anwendungsfälle und entwickeln erste Prototypen für produktionsnahe Umgebungen. So gewinnen Sie mehr Sicherheit im professionellen Einsatz von NLP-Technologien und können fundierte Entscheidungen bei Modellwahl und Umsetzung treffen.

Dieses Seminar ist ein Angebot der PC-COLLEGE Gruppe.

Grundlagen Natural Language Processing mit Python

- Einführung in NLP-Konzepte

- Datenformate (z. B. Plain Text, JSON, CSV)

- Einsatzgebiete wie Textklassifikation, Stimmungsanalyse, semantische Suche

Textanalyse mit spaCy

- Aufbau von NLP-Pipelines

- Tokenisierung, Lemmatisierung

- POS-Tagging

- Named Entity Recognition (NER)

- Rule-Based Matching

Arbeiten mit Transformer-Modellen (Hugging Face)

- Nutzung vortrainierter Modelle wie BERT, RoBERTa und GPT

- Durchführung von Inferenz auf Textdaten

- Transfer auf eigene Anwendungsfälle

Fine-Tuning von NLP-Modellen

- Vorbereitung eigener Datensätze

- Trainingsstrategien für Klassifikation oder NER

- Evaluierung und Optimierung

Prompt Engineering für generative Modelle

- Struktur und Logik effektiver Prompts

- Zero-/Few-Shot Learning

- Anwendung auf Textzusammenfassung, Q&A und Chatbots

Best Practices und Fallbeispiele aus der Praxis

- Typische Stolpersteine

- Modellwahl und Tool-Vergleich

- Umsetzung von Prototypen in produktionsnahen Umgebungen