Área personal Mis cursos Modelos de Inteligencia Artificial UT3
WIKI - PLN - Procesamiento de Lenguaje Natural Ver Lopez_Raul_PLN_Tarea_1 Ver
Buscar wikis
WIKI - PLN - Procesamiento de Lenguaje Natural
Lopez_Raul_PLN_Tarea_1
Tabla de contenidos
1. Procesamiento de lenguaje natural (PLN), su importancia en la inteligencia artificial y el rol del lingüista
[Editar]
en este tipo de proyectos
[Editar]
2. Conceptos básicos de análisis de sentimientos y su aplicación en diferentes áreas
[Editar]
3. Herramientas disponibles para PLN en Python
3.1. spaCy
3.2. Ejemplo de código con spaCy:
3.3. NLTK
3.4. Ejemplo de código con NLTK:
Introducción al PLN
Procesamiento de lenguaje natural (PLN), su importancia en la
inteligencia artificial y el rol del lingüista en este tipo de proyectos [Editar]
¿Qué es el procesamiento de lenguaje natural (PLN)?
El PLN es como enseñar a las computadoras a hablar y entender como nosotros, los humanos. Imagina que le das a
una máquina un montón de textos o grabaciones de voz, y ella puede leerlos, comprenderlos y responder en
lenguaje humano. Es como si las computadoras aprendieran a hablar nuestro idioma secreto.
¿Por qué es importante en la inteligencia artificial?
Piensa en todas las veces que interactúas con tu teléfono o asistente virtual. Cuando le pides a Siri o a Alexa que te
diga el clima o que traduzca una frase, estás usando PLN. Sin él, no podríamos tener chatbots, traductores
automáticos o sistemas de reconocimiento de voz. En resumen, el PLN es la clave para que las máquinas se
comuniquen con nosotros de manera natural.
¿Cuál es el rol del lingüista?
Los lingüistas son como los arquitectos del PLN. Ellos estudian cómo funciona el lenguaje humano: las reglas
gramaticales, las palabras, las expresiones y las sutilezas. Luego, ayudan a los ingenieros a construir modelos de
lenguaje que las computadoras puedan usar. Es como enseñarle a la máquina a hablar correctamente. Los
lingüistas también resuelven problemas difíciles, como entender el sarcasmo o las metáforas. Sin ellos, nuestras
aplicaciones de PLN serían como niños que apenas están aprendiendo a hablar.
Conceptos básicos de análisis de sentimientos y su aplicación en
diferentes áreas [Editar]
¿Qué es el análisis de sentimientos?
El análisis de sentimientos es como tener un detector de emociones para el lenguaje. Imagina que le das a una
computadora un montón de comentarios, publicaciones en redes sociales o reseñas de productos. El análisis de
sentimientos le permite a la máquina entender si esos textos son positivos, negativos o neutrales. Es como si la
computadora tuviera un sexto sentido para captar cómo se sienten las personas.
Importancia en las redes sociales
1. Monitoreo en tiempo real: Las marcas pueden seguir las conversaciones sobre ellas y su competencia en las
redes sociales. Si alguien dice algo bueno o malo, lo sabrán al instante. Esto les permite tomar decisiones
informadas.
2. Reputación de la marca: El análisis de sentimientos ayuda a determinar si la reputación de una marca es
principalmente positiva o negativa. Si la gente está contenta, la marca está haciendo algo bien. Si hay
críticas, pueden ajustar su estrategia.
3. Mejora de la lealtad del cliente: Al entender cómo se sienten los clientes, las empresas pueden adaptar sus
productos o servicios para satisfacer sus necesidades. Si alguien está enojado, pueden resolver el problema.
Si están felices, pueden seguir haciendo lo que están haciendo.
Aplicaciones en la opinión de clientes
1. Reseñas de productos: Las empresas pueden analizar las opiniones de los clientes sobre sus productos. ¿La
gente ama ese nuevo teléfono o lo odia? El análisis de sentimientos les da una respuesta.
2. Encuestas y formularios: Cuando los clientes responden encuestas o completan formularios, el análisis de
sentimientos puede extraer información valiosa. ¿Están satisfechos con el servicio? ¿Hay áreas de mejora?
3. Atención al cliente: Si alguien se queja en redes sociales, el análisis de sentimientos ayuda a identificar el tono
y la gravedad del problema. Así, las empresas pueden responder de manera adecuada.
Herramientas disponibles para PLN en Python [Editar]
spaCy
¿Qué es spaCy?
spaCy es una biblioteca de código abierto diseñada para el procesamiento del lenguaje natural. Fue creada por
Matthew Honnibal e Ines Montani, fundadores de la empresa de software Explosion. spaCy se ha consolidado como
una herramienta eficiente y rápida para analizar textos en Python.
Funciones principales de spaCy:
1. Tokenización: spaCy divide el texto en unidades significativas llamadas tokens. Por ejemplo, convierte la frase
“¡Hola, mundo!” en los tokens “¡”, “Hola”, “,” y “mundo”.
2. Etiquetado de partes del habla (POS): Asigna etiquetas a cada token según su función gramatical (sustantivo,
verbo, adjetivo, etc.). Por ejemplo, identifica que “gato” es un sustantivo.
3. Lematización: Encuentra la forma base de las palabras. Por ejemplo, convierte “corriendo” en “correr”.
4. Detección de entidades: Identifica nombres de personas, organizaciones, lugares, fechas, etc. Por ejemplo,
extrae “Apple” como una entidad organizativa.
Ejemplo de código con spaCy:
!python -m spacy download es_core_news_sm
import spacy
# Cargar el modelo en español
nlp = spacy.load("es_core_news_sm")
# Procesar un texto
texto = "El gato negro saltó sobre la cerca."
doc = nlp(texto)
# Imprimir tokens y sus etiquetas POS
for token in doc:
print(f"{token.text} ({token.pos_})")
NLTK
¿Qué es NLTK?
Natural Language Toolkit (NLTK) es otra biblioteca popular para NLP en Python. Fue desarrollada originalmente por
Steven Bird, Ewan Klein y Edward Loper para aplicaciones de lingüística computacional.
Funciones principales de NLTK:
1. Clasificación de texto: NLTK proporciona herramientas para clasificar textos en categorías (por ejemplo,
análisis de sentimientos).
2. Tokenización y segmentación de frases: Divide el texto en palabras y oraciones.
3. Etiquetado POS: Similar a spaCy, asigna etiquetas gramaticales a los tokens.
4. Análisis de frecuencia de palabras: Calcula la frecuencia de las palabras en un corpus.
Ejemplo de código con NLTK:
import nltk
from nltk.tokenize import word_tokenize
from nltk.probability import FreqDist
# Descargar recursos necesarios (solo la primera vez)
nltk.download("punkt")
# Tokenización y análisis de frecuencia
texto = "El perro marrón saltó sobre el sofá."
tokens = word_tokenize(texto)
frecuencia = FreqDist(tokens)
# Imprimir las 5 palabras más comunes
print(frecuencia.most_common(5))
Para acceder al notebook donde se ha realizado la tarea haga click en el siguiente enlace:
https://colab.research.google.com/drive/1IB_bDTopCwXXmNXrjl6I6YOtGCqI3H7h?usp=sharing
Junta de Andalucía Consejería de Desarrollo Educativo y Formación Profesional
Calle Juan Antonio de Vizarrón s/n · Edf. Torretriana
Isla de la Cartuja · 41092 Sevilla
Aviso Legal | Accesibilidad | Portal Séneca | Plataformas de Aprendizaje
Reiniciar tour para usuario en esta página
