Séance de cours
Factorisation matricielle : lier du texte à des bases de connaissances
Séances de cours associées (32)
Extraction d'entités et d'informations
Explore l'extraction d'informations à l'aide de classificateurs, de fonctionnalités et d'analyses syntaxiques.
Extraction d'information: Méthodes et applications
Explore les méthodes d'extraction de l'information, y compris les approches traditionnelles et fondées sur l'intégration, l'apprentissage supervisé, la surveillance à distance et l'induction taxonomique.
Extraction d'informations: Algorithmes et Techniques
Explore les algorithmes et les techniques d'extraction de l'information, y compris l'algorithme Viterbi, la reconnaissance des entités nommées, et la surveillance lointaine.
Inférence des connaissances : Désambigation de l'entité et intégration des graphiques
Explore la désambigation des entités, l'intégration des graphiques, les fonctions de notation et les méthodes d'apprentissage.
Extraction d'entités et d'informations
Explore l'extraction de connaissances à partir du texte, couvrant des concepts clés tels que l'extraction de phrases clés et la reconnaissance d'entités nommées.
Extraction d'information et inférence des connaissances
Explore l'extraction de l'information, l'inférence des connaissances, l'induction taxonomique et la désambigation des entités.
Web sémantique & Extraction d'information
Explore le Web sémantique, les ontologies, l'extraction de l'information, les phrases clés, les entités nommées et les bases de connaissances.
Compréhension de texte
Explore la compréhension du texte, en se concentrant sur les entités nommées, l'extraction d'informations et les méthodes de lecture automatique.
Factorisation matricielle: extraction d'informations
Explore la factorisation matricielle pour l'extraction d'informations, le classement bayésien et les intégrations de relations.
Représentations neuro-symboliques: Connaissances communes et Raisonnement
Explore les représentations neuro-symboliques pour comprendre les connaissances et le raisonnement communs, en mettant l'accent sur les défis et les limites de l'apprentissage profond dans le traitement du langage naturel.