Watson Exemples d'utilisation de la bibliothèque de traitement du langage naturel
Les cahiers d'exercices montrent comment utiliser les différents blocs de traitement du langage naturel d' Watson, ainsi que comment entraîner vos propres modèles.
Exemple de projet et cahiers
Pour vous aider à vous familiariser avec la bibliothèque de traitement du langage naturel d' Watson, vous pouvez télécharger un exemple de projet et des notebooks à partir du référentiel d'exemples de science des données GitHub, dans la section « Notebooks et projets ».
Notez que vous devez télécharger le projet d'exemple et les notebooks pour l'environnement d'exécution dans lequel vous souhaitez exécuter ces derniers.
Exemples de bloc-notes
Analyse des réclamations financières
Ce cahier d'exercices vous explique comment analyser les réclamations financières des clients à l'aide du traitement du langage naturel d' Watson. Il s'appuie sur les données issues de la base de données des plaintes des consommateurs publiée par le Bureau de protection financière des consommateurs (CFPB). Ce manuel vous apprend à utiliser les modèles de classification des nuances et des émotions.
Analyse des réclamations concernant les voitures
Ce cahier d'exercices montre comment analyser les réclamations concernant les voitures à l'aide du traitement du langage naturel d' Watson. Elle s'appuie sur les registres de plaintes accessibles au public, émanant de propriétaires de véhicules et conservés par l'Agence nationale de la sécurité routière et des transports (NHTSA) du ministère américain des Transports. Ce cahier d'exercices vous montre comment utiliser l'analyse syntaxique pour extraire les noms les plus fréquemment utilisés, qui reflètent généralement les problèmes abordés par les auteurs des revues, et comment associer ces résultats à des données structurées à l'aide de l'exploration des règles d'association.
Classification des réclamations à l'aide du traitement du langage naturel d' Watson
Ce cahier de notes montre comment entraîner différents classificateurs de texte à l'aide de l'outil de traitement du langage naturel d' Watson. Les classificateurs prédisent la catégorie de produit à partir du texte d'une réclamation client. Cela pourrait servir, par exemple, à transmettre une réclamation au membre du personnel compétent. Les données utilisées dans ce carnet proviennent de la base de données sur les plaintes des consommateurs publiée par le Bureau de protection financière des consommateurs (CFPB), une agence gouvernementale U.S, et sont accessibles au public. Vous apprendrez à entraîner un modèle CNN personnalisé et un modèle de réseau neuronal récurrent ( VotingEnsemble ) et à évaluer leur qualité.
Extraction d'entités dans les plaintes financières à l'aide du traitement du langage naturel d' Watson
Ce cahier de notes montre comment extraire des entités nommées à partir de réclamations financières de clients à l'aide du traitement du langage naturel d' Watson. Il s'appuie sur les données issues de la base de données des plaintes des consommateurs publiée par le Bureau de protection financière des consommateurs (CFPB). Dans ce cahier d'exercices, vous apprendrez à réaliser une extraction de termes à partir de dictionnaires afin de former un modèle d'extraction personnalisé basé sur des dictionnaires donnés, puis à extraire des entités à l'aide du modèle BERT.
Déployer un modèle de sentiment pré-entraîné
Ce cahier d'exercices explique comment créer un déploiement en ligne permettant d'identifier le sentiment, à l'aide des blocs de traitement du langage naturel d' Watson.
Exemple de projet
Si vous ne souhaitez pas télécharger les cahiers d'exemples un par un dans votre projet, vous pouvez télécharger l'intégralité du projet d'exemple : NLP-Example-Project-RT24-1.zip
Le projet d'exemple contient les carnets d'exemple mentionnés dans la section précédente, notamment :
Analyse des avis sur les hôtels à l'aide du traitement du langage naturel d' Watson
Ce cahier d'exercices vous montre comment utiliser l'analyse syntaxique pour extraire les noms les plus fréquemment utilisés dans les avis sur les hôtels, classer le sentiment exprimé dans ces avis et recourir à l'analyse du sentiment orientée vers les aspects pour les aspects les plus fréquemment extraits. Le fichier de données utilisé par ce cahier est inclus dans le projet en tant que ressource de données.
Le projet d'exemple contient des modèles d'environnement personnalisés pour les carnets d'exemple. Si vous souhaitez créer vos propres modèles, assurez-vous qu'ils disposent d'au moins 4 Go de mémoire. La classification des réclamations à l'aide du notebook de traitement du langage naturel d' Watson nécessite un modèle personnalisé disposant d'au moins 8 Go de mémoire.