Python - Natural Language Processing (NLP)

In dieser praxisorientierten Weiterbildung erfahren Sie, wie Sie die mächtigen Fähigkeiten von Python zur Sprachverarbeitung nutzen können. Durch die Anwendung von Python - Natural Language Processing (NLP) werden Sie mit der Softwarebibliothek spaCy vertraut gemacht, die Ihnen hilft, Sprache effizient zu analysieren. Sie erlernen die Techniken zur Tokenisierung, Erkennung von Entitäten und Durchführung syntaktischer Analysen. Außerdem entwickeln Sie individuelle Verarbeitungslogiken, die Ihre Sprachverarbeitungsprojekte erheblich verbessern.

Der zweite Abschnitt der Schulung fokussiert sich auf die Arbeit mit fortschrittlichen Transformer-Modellen mittels Hugging Face. Hier haben Sie die Gelegenheit, mit vortrainierten Modellen zu experimentieren, diese an spezifische Daten anzupassen und durch Prompt Engineering innovative Textlösungen zu entwickeln. Diese Fähigkeiten sind ideal für den Aufbau von Chatbots, das Erstellen von Zusammenfassungen oder die Informationsgewinnung geeignet.

Diese Fortbildung bietet signifikante Vorteile für Fachleute, die sich eingehend mit der Anwendung von NLP-Methoden befassen möchten. Sie erhalten praktische Kenntnisse und können diese sofort auf reale Anwendungsfälle übertragen, was Ihnen Sicherheit im Berufsalltag verleiht und Ihre Kompetenzen im Bereich der Textverarbeitung stärkt.

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