Curso de Tecnologías del lenguaje para la extracción de información (online)
-
Una universidad cometida a enseñar y formar. Personalmente recomiendo esta universidad ya que como institución se preocupan por el bien estar de los alumnos. Siempre empáticos y carismáticos. También es un centro de gran nivel académico lo cual asegura un buen futuro. También cambie mi opinión sobre la docencia y eso es gracias a la gente que me enseño muy bien.
← | →
-
He tomado un par cursos en su academia y sido una experiencia muy buena. El ambiente es muy familiar, ameno y cercano. El profesorado está muy bien preparado, brindan clases de buen nivel. Estoy contenta con lo obtenido y recomiendo totalmente la institución.
← | →
Curso
Online
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiar tu matrícula en cómodos plazos.
Descripción
-
Tipología
Curso
-
Nivel
Nivel intermedio
-
Metodología
Online
-
Horas lectivas
300h
-
Duración
3 Meses
-
Inicio
Fechas a elegir
-
Campus online
Sí
-
Servicio de consultas
Sí
-
Tutor personal
Sí
¡Descubre el Curso de Tecnologías del lenguaje para la extracción de información, que trae para ti Emagister! Es impartido por Cálamo & Cran, bajo una modalidad de estudios online, para que puedas realizar tus estudios desde la comodidad de tu hogar y en los horarios que creas más convenientes. Una vez hayas culminado tus estudios, recibes la titulación correspondiente avalada por parte de la reconocida institución.
En este curso conoces los fundamentos y técnicas básicas de este tipo de tecnologías relacionadas con el procesamiento de lenguaje natural para extraer información desde el punto de vista del lingüista/humanista. Adquieres los conocimientos y habilidades necesarias para desempeñar roles profesionales significativos en el reconocimiento de entidades y conceptos, la extracción de insights, la clasificación automática, el análisis de sentimientos, emoción y opinión, y las técnicas de recuperación de información. Todo ello se desarrolla mediante un enfoque teórico-práctico, por lo que te enfrentas a casos reales de aplicación empleando plataformas en la nube y ejemplos de código en Python.
Enriquece tu formación con sólidos conocimientos y habilidades. No dejes pasar la oportunidad de seguir construyendo tu futuro y actualizando tus conocimientos, para ello Emagister te invita a hacer clic al botón de “Pide información”, para que un asesor se pueda comunicar contigo y pueda brindarte todo el asesoramiento que necesitas.
Información importante
Precio a usuarios Emagister: Descuento: Gastos de matriculación no incluidos en el precio del curso (30€). Aplicamos un descuento de los gastos de matriculación a estudiantes, antiguos alumnos, desempleados, menores de 26 años y miembros de asociaciones de corrección y traducción. Fundación Estatal para la Formación en el Empleo: Si eres trabajador por cuenta ajena, tu empresa podrá bonificarse del importe de este curso y puede ser gratis para ti.
Bonificable:
Curso bonificable para empresas
Si eres trabajador en activo, este curso te puede salir gratis a través de tu empresa.
Instalaciones y fechas
Ubicación
Inicio
Inicio
A tener en cuenta
Tiene como objetivo profundizar en los fundamentos y técnicas básicas de las tecnologías relacionadas con el PLN para extraer información, así como adquirir los conocimientos y habilidades necesarios para desempeñar roles profesionales significativos en el reconocimiento de entidades y conceptos, la extracción de insights, la clasificación automática, el análisis de sentimientos, emoción y opinión, y las técnicas de recuperación de información, respuesta a preguntas y extracción de resúmenes.
Este curso está dirigido a lingüistas (humanistas o computacionales) que deseen desempeñar roles profesionales en proyectos de tecnología lingüística relacionados con las tareas de Procesamiento de Lenguaje Natural (PLN) para extracción de información: reconocimiento de entidades, clasificación automática, análisis de sentimientos, análisis de opinión, recuperación de información, respuesta a preguntas, extracción de resúmenes, etc.
Para realizar este curso se requiere de un conocimiento introductorio acerca del sector de las tecnologías del lenguaje, el Procesamiento del Lenguaje Natural (PLN) y sus aplicaciones básicas.
Certificado de aprovechamiento de Cálamo&Cran.
Te enviaremos por correo electrónico toda la información sobre el curso, precio y fechas. Además, te ofrecemos un servicio de orientación profesional gratuito. ¡Consulta tus dudas a nuestra orientadora!
Opiniones
-
Una universidad cometida a enseñar y formar. Personalmente recomiendo esta universidad ya que como institución se preocupan por el bien estar de los alumnos. Siempre empáticos y carismáticos. También es un centro de gran nivel académico lo cual asegura un buen futuro. También cambie mi opinión sobre la docencia y eso es gracias a la gente que me enseño muy bien.
← | →
-
He tomado un par cursos en su academia y sido una experiencia muy buena. El ambiente es muy familiar, ameno y cercano. El profesorado está muy bien preparado, brindan clases de buen nivel. Estoy contenta con lo obtenido y recomiendo totalmente la institución.
← | →
Valoración del curso
Lo recomiendan
Valoración del Centro
Susana Vicens Ortiz
Silvia Spatafora
Logros de este Centro
Todos los cursos están actualizados
La valoración media es superior a 3,7
Más de 50 opiniones en los últimos 12 meses
Este centro lleva 21 años en Emagister.
Materias
- Lenguaje natural
- PLN
- Lingüística
- Procesamiento Lenguaje Natural
- Lingüística computacional
- Inteligencia artificial
- Aprendizaje profundo
- Deep learning
- Aprendizaje automático
- Extracción de Información
- Recuperación de información
- Reconocimiento de entidades
- Clasificación automática
- Respuesta a preguntas
- Extracción de resúmenes
- Arquitectura encoder-decoder
- Corpus lingüístico
Profesores
Concepción Polo Bayo
Profesora de Procesamiento del Lenguaje Natural
Licenciada en Lingüística y Filología Hispánica por la UAM. Trabaja como responsable del departamento de Lingüística en MeaningCloud, empresa que aplica tecnologías semánticas y de procesamiento de lenguaje natural para el tratamiento inteligente de textos. Destaca su función como coordinadora del equipo Stilus, dedicado a la corrección automática profesional, así como su gestión o colaboración en otros proyectos de PLN para los que viene formando a otros colegas filólogos, traductores y correctores para la construcción de recursos y modelos lingüísticos.
Janine García Morera
Profesora de Procesamiento del Lenguaje Natural
Ingeniera de Telecomunicación y máster en Telemática por la Universidad Carlos III de Madrid (UC3M). Trabaja como consultora de PNL e ingeniera de software en MeaningCloud, empresa especializada en Procesamiento de Lenguaje Natural, Aprendizaje Automático y Ciencia de los Datos. Responsable de desarrollos propios de extracción de información y soluciones a medida para clientes, en coordinación con el dpto. de Lingüística. Colabora desde 2004 con el Instituto Nacional de Administración Pública como formadora en diferentes cursos relacionados con las tecnologías web y el análisis de datos.
Julio Villena Román
Profesor de Procesamiento del Lenguaje Natural
Ingeniero de Telecomunicación, Suficiencia Investigadora en el Doctorado en Ingeniería Telemática por la Universidad Politécnica de Madrid y máster en Administración y Dirección de Empresas por la EOI. Socio fundador en 1998 de la empresa Daedalus dedicada a las Tecnologías del Lenguaje y el análisis de datos, que en 2015 se convirtió en la división de Data & Analytics del grupo tecnológico Sngular, y en 2017 evolucionó en la actual MeaningCloud. Además, es profesor asociado en la Universidad Carlos III de Madrid y formador en el Instituto Nacional de Administración Pública.
Temario
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN
0. Objetivos de la unidad
1. Introducción
1.1. Orígenes de la extracción de información
1.2. Información estructurada vs. información no estructurada
2. Tareas de extracción de información
2.1. Reconocimiento de entidades
2.2. Clasificación automática
2.3. Extracción de información elaborada
2.4. Recuperación de información
2.5. Respuesta a preguntas
2.6. Extracción de resúmenes
3. Generación automática de texto
3.1. Fundamentos
3.2. Modelos GPT
4. Métricas de evaluación
5. Aprendizaje automático y deep learning
5.1. Aprendizaje automático
5.2. Redes neuronales y deep learning
5.2.1. Redes neuronales convolucionales
5.2.2. Capa de atención
5.2.3. Redes neuronales recurrentes
5.2.4. Arquitectura encoder-decoder
5.2.5. Modelo de transformer
5.2.6 Ventajas e inconvenientes
5.3. Vectores de embeddings
UNIDAD DIDÁCTICA 2. RECONOCIMIENTO DE ENTIDADES
0. Objetivos de la unidad
1. Introducción
1.1. Fundamentos y conceptos básicos
1.2. Proceso de reconocimiento de entidades
1.3. Representación del texto como secuencias
1.4. Entity linking
1.5. Aplicaciones
2. Métricas de evaluación
3. Técnicas de reconocimiento de entidades
3.1. Modelos clásicos de procesamiento del lenguaje natural
3.1.1. Características para reconocer/clasificar entidades
3.1.2. Tarea del lingüista
3.2. Técnicas de aprendizaje automático
3.2.1. Algoritmos de aprendizaje automático
3.2.2. Deep learning
3.2.3. Tarea del lingüista
Ejercicio 1: Reconocimiento de entidades con un sistema real
1. Introducción
2. IBM Watson Natural Language Understanding
3. Google Cloud Natural Language
Ejercicio 2: Funcionalidades para la tarea de reconocimiento de entidades
1. Introducción
2. Google Colaboratory
3. Creación de un cuaderno nuevo
4. Reconocimiento de entidades con NLTK
5. Reconocimiento de entidades con spaCy
UNIDAD DIDÁCTICA 3. CLASIFICACIÓN AUTOMÁTICA
0. Objetivos de la unidad
1. Introducción
1.1. Fundamentos y conceptos básicos
1.2. Tipos de clasificación
1.2.1. Clasificación binaria (binary)
1.2.2. Clasificación multiclase (multiclass)
1.2.3. Clasificación single-label vs. multi-label
1.3. Aplicaciones
2. Métricas de evaluación
2.1. Escenarios single-label
2.2. Escenarios multi-label
3. Técnicas de clasificación automática
3.1. Modelos basados en reglas
3.1.1. Tarea del lingüista
3.2. Técnicas de aprendizaje automático
3.2.1. Tarea del lingüista
3.3. Modelos híbridos
4. Tipos específicos de clasificación
4.1 Análisis de sentimientos
4.2. Análisis de emoción
4.3. Análisis de reputación
4.4. Detección de idioma
4.5. Detección de intenciones
Ejercicio 3: Clasificación de textos con un sistema real
1. Introducción
2. IBM Watson Natural Language Understanding
3. Google Cloud Natural Language
Ejercicio 4: Entrenamiento de un modelo de clasificación
1. Introducción
2. Modelo de clasificación de intenciones
3. Entrenamiento
4. Ejecución
UNIDAD DIDÁCTICA 4. EXTRACCIÓN DE INFORMACIÓN COMPLEJA
0. Objetivos de la unidad
1. Introducción
2. Modelo de grafo semántico
3. Tarea de extracción de información
3.1. Modelos de reglas de extracción
3.2. Técnicas de aprendizaje automático
3.3. Tarea del lingüista
UNIDAD DIDÁCTICA 5. RECUPERACIÓN DE INFORMACIÓN
0. Objetivos de la unidad
1. Fundamentos y conceptos
2. Modelos de recuperación de información
2.1. Modelo booleano
2.2. Modelo de espacio vectorial
2.3. Modelo probabilístico
3. Similitud semántica
3.1. Conceptos
3.2. Búsqueda semántica
4. Métricas de evaluación
5. Tarea del lingüista
Ejercicio 5: Similitud semántica y búsqueda semántica
1. Búsqueda semántica
2. Búsqueda de duplicados
UNIDAD DIDÁCTICA 6. RESPUESTA A PREGUNTAS
0. Objetivos de la unidad
1. Introducción
1.1. Conceptos y fundamentos
1.2. Historia
2. Proceso de respuesta a preguntas
2.1. Fundamentos
2.2. Análisis de la pregunta
2.3. Recuperación de contextos
2.4. Extracción de la respuesta
2.5. Ejemplo
3. Extractive question answering
4. Tarea del lingüista
UNIDAD DIDÁCTICA 7. EXTRACCIÓN DE RESÚMENES
0. Objetivos de la unidad
1. Introducción
2. Resúmenes extractivos
2.1. Conceptos
2.2. Proceso clásico
2.3. Modelos basados en aprendizaje automático
2.4. Escenarios específicos
2.5. Tarea del lingüista
3. Resúmenes abstractivos
3.1. Conceptos
3.2. Modelos
3.3. Tarea del lingüista
Ejercicio 6: Extracción de resúmenes extractivos y abstractivos
1. Resúmenes extractivos
2. Resúmenes abstractivos
UNIDAD DIDÁCTICA 8. PRÁCTICA FINAL
1. Objetivos
2. Desarrollo del ejercicio
2.1. Diseño del escenario
2.2. Desarrollo del escenario
3. Informe de resultados
4. Rúbrica de evaluación
Información adicional
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiar tu matrícula en cómodos plazos.
Curso de Tecnologías del lenguaje para la extracción de información (online)