Python - Natural Language Processing (NLP)

Natural Language Processing (NLP)

In diesem praxisnahen Seminar lernen Sie, wie Sie Sprache mit Python analysieren und verarbeiten. Sie nutzen spaCy zur Tokenisierung, Entitätenerkennung und syntaktischen Analyse und setzen eigene Verarbeitungslogiken um.

Im zweiten Teil arbeiten Sie mit leistungsstarken Transformer-Modellen über Hugging Face. Sie verwenden vortrainierte Modelle, passen sie an eigene Daten an und generieren Texte mit Prompt Engineering - für Chatbots, Textzusammenfassungen oder Informationsextraktion.

Hinweis:
Dieses Seminar ist ein Angebot der PC-COLLEGE Gruppe.

Inhalt

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

Voraussetzungen

Sicherer Umgang mit Python. Grundkenntnisse in Data Science oder Machine Learning sind hilfreich, aber nicht zwingend erforderlich.

Zielgruppe

Für alle, die mit Sprache arbeiten: Entwickler, Data Scientists und Tech-Profis, die moderne NLP-Methoden praxisnah in ihre Anwendungen integrieren möchten.

Zielsetzung

Sie analysieren Textdaten, erkennen Inhalte automatisiert und wenden moderne NLP-Modelle produktiv für verschiedene Anwendungsbereiche an.