Summary  
This chapter covers techniques for transforming raw text into machine-readable numerical data—such as tokenization, stop-word removal, vocabulary construction, and encoding—for use in downstream models.  

General domain of usage  
Sentiment analysis

**NLP** gør det muligt for maskiner at læse, forstå og generere menneskesprog. Ved at anvende forskellige algoritmer og modeller kan NLP-systemer udføre opgaver som talegenkendelse, oversættelse, opsummering og sentimentanalyse.

Definition

**Vigtige opgaver inden for NLP**:  
- **Tekstforbehandling**: indebærer at rense tekstdata, så det er egnet til analyse. Almindelige forbehandlingsskridt inkluderer tokenisering, fjernelse af stopord og stemming eller lemmatisering;
- **Tekstklassificering**: tildeling af kategorier eller etiketter til tekstdata. Sentimentanalyse er et eksempel, hvor målet er at klassificere tekst som positiv, negativ eller neutral;
- **Navngivet entitetsgenkendelse (NER)**: identificering og klassificering af entiteter i tekst, såsom navne på personer, organisationer, steder og datoer;
- **Ordklassemærkning**: bestemmelse af den grammatiske struktur i en sætning ved at identificere ordklasser som substantiver, verber, adjektiver osv.;
- **Sentimentanalyse**: hovedopgaven i dette afsnit. Sentimentanalyse indebærer at bestemme den holdning eller følelse, der udtrykkes i et tekststykke. Dette bruges ofte til at analysere opslag på sociale medier, kundeanmeldelser og feedback, og udføres typisk ved hjælp af maskinlæringsmodeller trænet på mærkede data.

- Processen med at opdele tekst i enkelte ord eller fraser, kendt som **tokens**;
- Tokenisering er et grundlæggende trin i NLP for at omdanne rå tekst til strukturerede data.

Tokenisering

- Fjernelse af almindeligt anvendte ord (f.eks. "the", "is", "and"), som ikke bidrager væsentligt til analysen;
- Stopord fjernes normalt for at reducere støj og fokusere på mere meningsfulde termer i teksten.

Fjernelse af stopord

- Reduktion af ord til deres grundform eller rod, f.eks. bliver "running" til "run";
- Lemmatisering er generelt mere præcis end stemming, da den tager hensyn til ordets kontekst;
- Begge teknikker hjælper med at standardisere ord for bedre analyse og sammenligning.

Stemming og lemmatisering

- Repræsentation af ord i numerisk form ved hjælp af vektorer;
- Almindelige teknikker som Word2Vec og GloVe hjælper med at fange semantiske relationer mellem ord;
- Word embeddings gør det muligt at analysere ord baseret på deres betydninger og relationer.

Word embeddings

Sammenfattende er NLP en nøgle-teknologi, der gør det muligt for maskiner at behandle og forstå menneskesprog. Ved at mestre grundlæggende NLP-begreber som tekstforbehandling, klassificering og indlejringer, lægger du fundamentet for mere avancerede opgaver som sentimentanalyse og videre.


Hvilken af følgende er en central opgave inden for NLP?

Behersk rekurrente neurale netværk og deres avancerede varianter som LSTM og GRU ved hjælp af PyTorch. Opnå praktisk erfaring med behandling af sekventielle data til anvendelser i praksis. Anvend disse kraftfulde modeller til at løse virkelige udfordringer inden for tidsserieprognoser og forskellige opgaver i naturlig sprogbehandling.

Dækker begrænsningerne ved traditionelle neurale netværk for sekventielle data og introducerer grundlæggende principper for Recurrent Neural Networks. Forklarer RNN-arkitektur, typer og trinvis implementering gennem grundlæggende eksempler og en kodningsudfordring.

Undersøger almindelige træningsudfordringer såsom forsvindende og eksploderende gradienter. Introducerer avancerede RNN-varianter, herunder LSTM og GRU, med fokus på deres interne mekanismer og anvendelsesområder samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prognose af tidsseriedata ved hjælp af RNN-baserede modeller. Omfatter dataindlæsning, forbehandlingsteknikker, modeltræning og præstationsvurdering med vægt på sammenligning af LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen af RNN'er til tekstklassificeringsopgaver. Dækker centrale NLP-begreber, tekstkodningsmetoder, trin til dataklargøring og opbygning af en LSTM-baseret model til sentimentforudsigelse.

Grundlæggende NLP