Data Science: Natural Language Processing (NLP) in Python

Khoa học Dữ liệu: Xử lý Ngôn ngữ Tự nhiên (NLP) bằng Python

Ứng dụng: giải mã mật mã, phát hiện thư rác, phân tích cảm xúc, công cụ xoay vòng nội dung và phân tích ngữ nghĩa tiềm ẩn.

4.8

(12,913 đánh giá)

52,857 học viên

Giảng viên

Lazy Programmer Inc.

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 1.769.000đ -97%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

12.0 giờ video

95 bài giảng

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 31/05/2026

#Machine Learning #Natural Language Processing #Nltk #Python

Bạn sẽ học được gì

Viết thuật toán giải mã mật mã của riêng bạn bằng thuật toán di truyền và mô hình hóa ngôn ngữ với mô hình Markov

Viết code phát hiện thư rác bằng Python

Viết code phân tích cảm xúc bằng Python

Thực hiện phân tích ngữ nghĩa tiềm ẩn hoặc lập chỉ mục ngữ nghĩa tiềm ẩn bằng Python

Nắm được ý tưởng viết công cụ xoay vòng nội dung bằng Python

Hiểu các nền tảng quan trọng cho OpenAI ChatGPT, GPT-4, DALL-E, Midjourney và Stable Diffusion

Yêu cầu

Cài đặt Python miễn phí!

Bạn nên có ít nhất một chút thoải mái khi viết code Python

Biết cách cài đặt các thư viện số cho Python như Numpy, Scipy, Scikit-learn, Matplotlib và BeautifulSoup

Tham gia khóa học tiên quyết Numpy miễn phí của tôi (hoàn toàn MIỄN PHÍ, đừng có lý do!) để học về Numpy, Matplotlib, Pandas, Scikit-Learn, cũng như kiến thức cơ bản về Machine Learning

Không bắt buộc: Nếu bạn muốn hiểu phần toán, đại số tuyến tính và xác suất sẽ hữu ích

Đối tượng phù hợp

Học viên thoải mái viết code Python, sử dụng vòng lặp, list, dictionary, v.v.

Học viên muốn tìm hiểu thêm về machine learning nhưng không muốn học quá nhiều toán

Chuyên gia quan tâm đến việc áp dụng machine learning và NLP vào các vấn đề thực tế như phát hiện thư rác, marketing Internet và phân tích cảm xúc

Khóa học này KHÔNG dành cho những người thấy các nhiệm vụ và phương pháp trong chương trình học quá cơ bản.

Khóa học này KHÔNG dành cho những người chưa có hiểu biết cơ bản về machine learning và code Python (nhưng bạn có thể học từ khóa học Numpy MIỄN PHÍ của tôi).

Khóa học này KHÔNG dành cho những người không biết (dựa trên tiêu đề các phần) mục đích của từng nhiệm vụ là gì. Ví dụ: nếu bạn không biết "phát hiện thư rác" có thể hữu ích cho việc gì, bạn còn quá xa lạ để học khóa này.

Nội dung khóa học

16 phần • 90 bài giảng

1 Giới thiệu và Tổng quan

2 Tại sao nên học NLP?

3 Thông điệp trọng tâm của Khóa học này (Góc nhìn Tổng thể)

1 Cách Thành công trong Khóa học này

2 Nơi lấy code và dữ liệu

3 Cách Mở File cho Người dùng Windows

1 Machine Learning: Giới thiệu Phần

2 Phân loại là gì?

3 Phân loại trong Code

4 Hồi quy là gì?

5 Hồi quy trong Code

6 Vector Đặc trưng là gì?

7 Machine Learning Không gì khác ngoài Hình học

8 Mọi Dữ liệu Đều Giống nhau

9 So sánh các Mô hình Machine Learning Khác nhau

10 Machine Learning và Deep Learning: Các Chủ đề Tương lai

11 Tổng kết Phần

1 Giới thiệu Phần Mô hình Markov

2 Tính chất Markov

3 Mô hình Markov

4 Làm mượt Xác suất và Log-Xác suất

5 Xây dựng Bộ phân loại Văn bản (Lý thuyết)

6 Xây dựng Bộ phân loại Văn bản (Bài tập Gợi ý)

7 Xây dựng Bộ phân loại Văn bản (Code phần 1)

8 Xây dựng Bộ phân loại Văn bản (Code phần 2)

9 Mô hình Ngôn ngữ (Lý thuyết)

10 Mô hình Ngôn ngữ (Bài tập Gợi ý)

11 Mô hình Ngôn ngữ (Code phần 1)

12 Mô hình Ngôn ngữ (Code phần 2)

13 Tổng kết Phần Mô hình Markov

1 Giới thiệu Phần

2 Mật mã

3 Mô hình Ngôn ngữ

4 Thuật toán Di truyền

5 Chuẩn bị Code

6 Code phần 1

7 Code phần 2

8 Code phần 3

9 Code phần 4

10 Code phần 5

11 Code phần 6

12 Ứng dụng Thực tế: Keylogger Âm thanh

13 Kết luận Phần

1 Xây dựng bộ phát hiện thư rác - mô tả dữ liệu

2 Xây dựng bộ phát hiện thư rác bằng Naive Bayes và AdaBoost - code

3 Bài học Chính từ Bài tập Phát hiện Thư rác

4 Khái niệm Naive Bayes

5 Khái niệm AdaBoost

6 Các loại đặc trưng khác

7 FAQ Phát hiện Thư rác (Phụ đạo #1)

8 Vector là gì? (Phụ đạo #2)

9 Ví dụ về SMS Spam

10 SMS Spam trong Code

11 Hộp Gợi ý

1 Mô tả Bộ phân tích Cảm xúc

2 Ôn tập Hồi quy Logistic

3 Tiền xử lý: Token hóa

4 Tiền xử lý: Token thành Vector

5 Phân tích Cảm xúc bằng Python sử dụng Hồi quy Logistic

6 Mở rộng Phân tích Cảm xúc

7 Cách Cải thiện Phân tích Cảm xúc & FAQ

1 Khám phá NLTK: Gán nhãn Từ loại (POS Tagging)

2 Khám phá NLTK: Rút gọn về gốc và Lemmatization

3 Khám phá NLTK: Nhận dạng Thực thể Được đặt tên (Named Entity Recognition)

4 Muốn thêm NLTK?

1 Phân tích Ngữ nghĩa Tiềm ẩn - Nó làm gì?

2 SVD - Toán học nền tảng đằng sau LSA

3 Phân tích Ngữ nghĩa Tiềm ẩn bằng Python

4 Phân tích Ngữ nghĩa Tiềm ẩn Dùng để Làm gì?

5 Mở rộng LSA

1 Giới thiệu Xoay vòng Nội dung và Mô hình Markov

2 Mô hình Trigram

3 Thêm về Mô hình Ngôn ngữ

4 Bài tập Trước Code

5 Viết công cụ xoay vòng nội dung bằng Python

6 Bài tập Mở rộng Công cụ Xoay vòng Nội dung

1 Những gì chúng ta chưa đề cập

1 Phụ lục là gì?

1 Kiểm tra Trước Cài đặt

2 Thiết lập Môi trường Anaconda

3 Cách cài đặt Numpy, Scipy, Matplotlib, Pandas, IPython, Theano và TensorFlow

1 Cách Tự Code (phần 1)

2 Cách Tự Code (phần 2)

3 Bằng chứng cho thấy dùng Jupyter Notebook cũng giống như không dùng

4 Python 2 so với Python 3

1 Cách Thành công trong Khóa học này (Phiên bản Dài)

2 Dành cho Người Mới hay Chuyên gia? Học thuật hay Thực hành? Nhanh hay chậm?

3 Lộ trình Tiên quyết về Machine Learning và AI (phần 1)

4 Lộ trình Tiên quyết về Machine Learning và AI (phần 2)

1 BONUS

Giới thiệu khóa học

Ever wondered how AI technologies like OpenAI ChatGPT, GPT-4, DALL-E, Midjourney, and Stable Diffusion really work? In this course, you will learn the foundations of these groundbreaking applications.

In this course you will build MULTIPLE practical systems using natural language processing, or NLP - the branch of machine learning and data science that deals with text and speech. This course is not part of my deep learning series, so it doesn't contain any hard math - just straight up coding in Python. All the materials for this course are FREE.

After a brief discussion about what NLP is and what it can do, we will begin building very useful stuff. The first thing we'll build is a cipher decryption algorithm. These have applications in warfare and espionage. We will learn how to build and apply several useful NLP tools in this section, namely, character-level language models (using the Markov principle), and genetic algorithms.

The second project, where we begin to use more traditional "machine learning", is to build a spam detector. You likely get very little spam these days, compared to say, the early 2000s, because of systems like these.

Next we'll build a model for sentiment analysis in Python. This is something that allows us to assign a score to a block of text that tells us how positive or negative it is. People have used sentiment analysis on Twitter to predict the stock market.

We'll go over some practical tools and techniques like the NLTK (natural language toolkit) library and latent semantic analysis or LSA.

Finally, we end the course by building an article spinner. This is a very hard problem and even the most popular products out there these days don't get it right. These lectures are designed to just get you started and to give you ideas for how you might improve on them yourself. Once mastered, you can use it as an SEO, or search engine optimization tool. Internet marketers everywhere will love you if you can do this for them!

This course focuses on "how to build and understand", not just "how to use". Anyone can learn to use an API in 15 minutes after reading some documentation. It's not about "remembering facts", it's about "seeing for yourself" via experimentation. It will teach you how to visualize what's happening in the model internally. If you want more than just a superficial look at machine learning models, this course is for you.

"If you can't implement it, you don't understand it"

Or as the great physicist Richard Feynman said: "What I cannot create, I do not understand".
My courses are the ONLY courses where you will learn how to implement machine learning algorithms from scratch
Other courses will teach you how to plug in your data into a library, but do you really need help with 3 lines of code?
After doing the same thing with 10 datasets, you realize you didn't learn 10 things. You learned 1 thing, and just repeated the same 3 lines of code 10 times...