Lingüística computacional con spaCy

Tras esta sesión nos hemos constituido como grupo de trabajo en Medialab-Prado:
>> spaCiers - grupo de aprnedizaje y experimentación con spaCy y lingüística computacional <<

JournocodersMAD continua su inmersión en el procesado de lenguaje natural y pasa de NLTK a spaCy de la mano de Jandro, mediador cultural de Medialab-Prado e investigador del Laboratorio de Datos Datalab.

spaCy es una librería libre y de código abierto escrita en Python. Posee modelos entrenados en diversos idiomas, entre ellos español, francés y alemán.

Veremos algunos ejemplos:

• Etiquetado PdF (PoS tagging)
• Lematización (lemmatization)
• Análisis de dependencia (Dependency Parse)
• REN - Reconocimiento de Entidad Nombrada (NER - Named Entity Recognition)
• Tokenización
• Detección de límites de frase - DLF (Sentence Boundaries Detection - SBD)
• Coincidencias basadas en reglas (Rule-based matching)
• Clasificación de textos (Text classification)

Los motivos para cambiar de NLTK a esta otra librería son:

• NLTK no tiene modelos entrenados en ES ni en otros idiomas distintos al inglés
• spaCy es una librería muy robusta con modelos en español y otros idiomas además de inglés que permite PoS, NER y muchas otras cosas.
• spaCy 2.0.0 está escrita en python y cython y funciona bien con python >= 3.7 (debian-testing, Windows, MacOsX)
• spaCy se puede instalar con pip: pip3 install -U spacy
• spaCy es tecnología industrial, lista para su uso en producción.

Presentación para el curso