Chapter 3: Fluxos (pipelines) de processamento

Neste capítulo apresentaremos os fluxos (pipelines) de processamento da spaCy. Você entenderá o que acontece nos bastidores quando você processa um texto. Vai aprender a escrever seus próprios componentes e adicioná-los ao fluxo de processamento, e também a usar atributos personalizados para adicionar metadados aos seus documentos, partições e tokens.

1Fluxos de processamento (pipelines)

2O que acontece quando você usa nlp()?

3Examinando o fluxo (pipeline) de processamento

4Personalizando os componentes de um fluxo (pipeline)

5Casos de uso de componentes personalizados

6Componentes simples

7Componentes complexos

8Extensões de atributos

9Definindo extensões de propriedades (1)

10Definindo extensões de propriedades (2)

11Entidades e extensões

12Componentes com extensões

13Aumentando a escala e o desempenho

14Fluxos (pipelines) de processamento

15Processando dados em contextos

16Processamento seletivo (condicional)

Sobre o curso

spaCy é uma biblioteca moderna em Python para Processamento de Linguagem Natural (PLN) em escala profissional. Neste curso online, gratuito e interativo, você aprenderá a utilizar a biblioteca spaCy para construir sistemas avançados de entendimento de linguagem natural, usando tanto estratégias baseadas em regras como aprendizado de máquina.

Sobre mim

Sou Ines, uma desenvolvedora principal da spaCy e co-fundadora da Explosion. Sou especialista em ferramentas modernas de Inteligência Artificial, Aprendizado de Máquina e Processamento de Linguagem Natural (PLN). E também amo construir coisas para a Internet.