Gibt es Datensätze aus der Praxis und Fallstudien?

Auf jeden Fall. Im Rahmen praktischer Projekte wirst du dich mit Social-Media-Daten, Produktbewertungen, der Analyse von Krisenereignissen und Fallstudien im Stil von Yelp beschäftigen.

Wie wird eine Stimmungsanalyse in mehreren Sprachen durchgeführt?

Die mehrsprachige Sentimentanalyse wird mithilfe sprachübergreifender Embeddings und Transformer-Modelle wie mBERT und XLM-R realisiert. In diesem Kurs lernen Sie, wie Sie diese Modelle so feinabstimmen, dass sie die Stimmung in verschiedenen Sprachen ohne Übersetzung analysieren können.

Wer sollte diesen Kurs belegen und welche Voraussetzungen müssen erfüllt sein?

Dieser Kurs eignet sich ideal für Datenwissenschaftler, NLP-Ingenieure und ML-Forscher, die über Grundkenntnisse in Python und den Grundlagen der NLP verfügen und sich für mehrsprachige oder domänenspezifische Sentiment-Systeme interessieren.

Kann ich diesen Kurs für die Stimmungsanalyse in sozialen Medien nutzen?

Ja. Der Kurs umfasst Anwendungsfälle wie die Stimmungsanalyse auf Twitter, Markenüberwachung und die Auswertung der öffentlichen Meinung anhand realer, mehrsprachiger Daten.

Wie bewerte ich Sentiment-Modelle, die in verschiedenen Sprachen trainiert wurden?

Der Kurs behandelt Bewertungsstrategien unter Verwendung von Kennzahlen wie F1, Präzision, Recall und Verwechslungsmatrizen, einschließlich Techniken für das mehrsprachige Benchmarking.

Inwiefern unterscheidet sich dieser Kurs von einem grundlegenden Tutorial zur Sentimentanalyse?

Im Gegensatz zu Einführungs-Tutorials befasst sich dieser Kurs eingehend mit der Subwort-Kodierung, dem sprachübergreifenden Modell-Fine-Tuning und der Extraktion von Stimmungsdaten auf Aspekt-Ebene unter Verwendung realer mehrsprachiger Daten und modernster NLP-Frameworks.

Kann ich die in diesem Kurs erworbenen Kenntnisse in Projekten aus der Praxis anwenden?

Auf jeden Fall. Der Kurs legt den Schwerpunkt auf praktische Fähigkeiten in den Bereichen Tokenisierung, Modellbereitstellung, Lexikonerstellung und mehrsprachige Auswertung – bereit für den Einsatz in NLP-Anwendungen für Unternehmen, Kundenfeedback-Systemen und Medienanalysen.

Ist dieser Kurs hilfreich für die Entwicklung mehrsprachiger Chatbots oder KI-Assistenten?

Ja. Die hier vermittelten fortgeschrittenen Techniken zur Tokenisierung und Stimmungsanalyse lassen sich in Chatbots, virtuelle Assistenten und KI-gestützte Kundenservice-Tools mit mehrsprachigen Funktionen integrieren.

Ist finanzielle Hilfe verfügbar?

Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Einschreibegebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.

Erweiterte Tokenisierung und Sentiment-Analyse

Sichern Sie sich eines unserer besten Angebote mit Coursera Plus für 199 $ (normalerweise 399 $). Jetzt sparen.

Erweiterte Tokenisierung und Sentiment-Analyse

Dieser Kurs ist Teil von Spezialisierung „NLP beherrschen: Tokenisierung, Analyse von Gefühlen und neuronale MT“

Dozent: Edureka

Bei enthalten

Mehr erfahren

Fragen Sie Coursera

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Erstellen Sie intelligentere NLP-Pipelines mit fortschrittlichen Tokenisierungsmethoden wie Byte-Pair-Encoding, Subwort-Einheiten und streamingfreundlichen Strategien.
Erstellen Sie leistungsstarke Textdarstellungen mithilfe von Zeichen-, Hybrid- und Satz-Embeddings für Such-, Klassifizierungs- und Clustering-Anwendungen in der Praxis.
Lernen Sie die Sentimentanalyse mit VADER, Modellen des maschinellen Lernens und Transformer-basierten Ansätzen wie BERT und RoBERTa kennen.
Analysieren Sie Meinungstrends, führen Sie Sentimentanalysen auf Aspekt-Ebene sowie mehrsprachige Sentimentanalysen durch und gewährleisten Sie Fairness und Genauigkeit bei sensiblen Anwendungen.

Kompetenzen, die Sie erwerben

Kategorie: Zeitreihenanalyse und Vorhersage
Kategorie: Bereinigung von Daten
Kategorie: Daten-Ethik
Kategorie: Vorverarbeitung von Daten
Kategorie: Modellierung großer Sprachen
Kategorie: Feinabstimmung
Kategorie: Daten in Echtzeit
Kategorie: Datenanalyse
Kategorie: Künstliche Intelligenz und maschinelles Lernen (AI/ML)
Kategorie: Verantwortungsvolle AI
Kategorie: Bewertung des Modells
Kategorie: Angewandtes maschinelles Lernen
Kategorie: Tiefes Lernen
Kategorie: Verarbeitung natürlicher Sprache
Kategorie: Einbettungen
Kategorie: Text Mining
Kategorie: Datenverarbeitung
Kategorie: Algorithmen für maschinelles Lernen

Werkzeuge, die Sie lernen werden

Kategorie: Unified Modeling Language
Kategorie: Klassifizierungsalgorithmen

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

16 Zuweisungen¹

KI-bewertet siehe Haftungsausschluss

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „NLP beherrschen: Tokenisierung, Analyse von Gefühlen und neuronale MT“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 4 Module

Dieser Kurs bietet einen klaren Pfad zum Verständnis fortgeschrittener Tokenisierung und Sentimentanalyse – zwei CORE-Kernsäulen der modernen NLP. Sie lernen, wie Sie Rohtext mithilfe von Subwort-, Zeichen- und adaptiven Tokenisierungstechniken in strukturierte Eingabedaten umwandeln und wie Sie mithilfe regelbasierter, statistischer und Deep-Learning-Modelle Sentimente extrahieren.

Durch praktische Übungen erwerben Sie die Fähigkeiten, komplexe Spracheingaben zu verarbeiten, Stimmungen mit hoher Granularität zu modellieren und Systeme einzusetzen, die domänen- und sprachübergreifend generalisierbar sind. Am Ende dieses Kurses werden Sie in der Lage sein: - Fortgeschrittene Tokenisierungstechniken, einschließlich BPE, zeichenbasierter und Streaming-Methoden, zu erklären und anzuwenden - Begriffe außerhalb des Vokabulars und domänenspezifische Sprache mithilfe adaptiver und hybrider Kodierungsstrategien zu verarbeiten - Modelle zur Stimmungsanalyse unter Verwendung von VADER, Naïve Bayes, BERT und RoBERTa zu erstellen - Herausforderungen wie Klassenungleichgewicht, mehrsprachige Variationen und Stimmungsanalyse auf Aspekt-Ebene zu bewältigen - Stimmungsanalysesysteme anhand semantischer Ähnlichkeit, zeitlicher Trends und domänenspezifischer Metriken zu bewerten Dieser Kurs ist ideal für NLP-Praktiker, Datenwissenschaftler, Entwickler und angewandte Forscher, die robuste, ethische und produktionsreife Stimmungsanalysesysteme entwickeln möchten. Grundkenntnisse in Python, den Grundlagen der NLP und im maschinellen Lernen werden empfohlen. Seien Sie dabei und erfahren Sie, wie Tokenisierung und Sentimentanalyse die nächste Generation intelligenter Sprachtechnologien vorantreiben.

In diesem Modul befassen sich die Teilnehmer mit fortgeschrittenen Techniken zur Zerlegung und Kodierung von Text für das maschinelle Verständnis. Sie untersuchen Methoden der Subwort-, Byte- und adaptiven Tokenisierung, die in modernen NLP-Modellen zum Einsatz kommen. Das Modul stellt außerdem Embeddings auf Zeichenebene und hybride Embeddings sowie Satz-Embeddings vor, mit denen sich semantische Bedeutungen bei Aufgaben wie Suche, Klassifizierung und Clustering erfassen lassen.

Das ist alles enthalten

19 Videos6 Lektüren5 Aufgaben1 Diskussionsthema

19 VideosInsgesamt 89 Minuten

Spezialisierung Einführung5 Minuten
Einführung in den Kurs5 Minuten
Einführung in die Subwort-Tokenisierung5 Minuten
Byte-Pair-Encoding (BPE) und Unigram-Sprachmodelle5 Minuten
Umgang mit Wörtern außerhalb des Wortschatzes (OOV)4 Minuten
Demonstration: Subwort-Tokenisierung in realen Szenarien6 Minuten
Strategien zur dynamischen Tokenisierung5 Minuten
Echtzeit-Tokenisierung in Streaming-Anwendungen3 Minuten
Tokenisierung für ressourcenarme und morphologisch komplexe Sprachen4 Minuten
Demonstration: OOV-Wörter und Transformer-Tokenisierung (BERT und GPT)4 Minuten
Demonstration: Dynamische und adaptive Tokenisierung5 Minuten
Zeichenbasierte Einbettungen mit CNNs und RNNs5 Minuten
FastText: Teilwort-Embeddings und ihr Nutzen4 Minuten
Hybride Einbettungen: Kombination von Zeichen- und Wortdarstellungen4 Minuten
Hybridmodelle: Mit Transformern integrierte Character-CNNs5 Minuten
Anwendungen der Modellierung auf Zeichenebene bei NLP-Aufgaben5 Minuten
Sentence-BERT und Universal Sentence Encoder5 Minuten
Verfahren zur Messung der semantischen Ähnlichkeit: Kosinus, Jaccard, euklidisch5 Minuten
Anwendungsfälle für Satz-Embeddings in Suchmaschinen und Chatbots5 Minuten

6 LektürenInsgesamt 130 Minuten

Subwort- und Bytepaar-Kodierungsverfahren: Eine praxisorientierte Perspektive20 Minuten
Echtzeit- und domänenorientierte NLP-Lösungen20 Minuten
Umgang mit den Grenzen von Darstellungen auf Wortebene20 Minuten
Satz-Embeddings und semantische Ähnlichkeit in der angewandten NLP20 Minuten
Zusammenfassung des Moduls: Fortgeschrittene Tokenisierung und Textkodierung20 Minuten
Von Bytes zu Bedeutung: Tokenisierung und Embeddings in der mehrsprachigen NLP30 Minuten

5 AufgabenInsgesamt 54 Minuten

Wissenscheck: Fortgeschrittene Tokenisierung und Textkodierung30 Minuten
Übungsquiz: Kodierungsverfahren auf Teilwort- und Bytepaar-Ebene6 Minuten
Übungsquiz: Adaptive und Streaming-Tokenisierung6 Minuten
Übungsquiz: Zeichen-Level- und Hybrid-Embeddings6 Minuten
Übungsquiz: Satz-Embeddings und semantische Ähnlichkeit6 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Stellen Sie sich vor10 Minuten

In diesem Modul befassen sich die Teilnehmer mit der gesamten Bandbreite der Ansätze zur Analyse der Stimmung in Texten, von regelbasierten Lexika bis hin zum Deep Learning mit Transformer-Modellen. Sie untersuchen, wie die Stimmung extrahiert, bewertet und klassifiziert wird, und lernen, wie sie mit Herausforderungen wie Klassenungleichgewicht, Domänenspezifität und ressourcenarmen Umgebungen umgehen können. Praktische Demonstrationen tragen dazu bei, die Anwendung von Modellen wie VADER, Naïve Bayes, BERT und RoBERTa bei realen Aufgaben der Stimmungsanalyse zu vertiefen.

Das ist alles enthalten

16 Videos5 Lektüren4 Aufgaben

16 VideosInsgesamt 80 Minuten

Einführung in die Sentimentanalyse5 Minuten
Regelbasierte Verfahren und Stimmungslexika (VADER, SentiWordNet)6 Minuten
Überlegungen zur Vorverarbeitung bei Aufgaben der Stimmungsanalyse7 Minuten
Lexikonbasierte Bewertung und Heuristiken bei der Polaritätserkennung5 Minuten
Demo – Stimmungsanalyse mit VADER, SentiWordNet und benutzerdefinierten Lexika6 Minuten
Naive-Bayes-Algorithmus und Support-Vektor-Maschinen zur Sentimentklassifizierung5 Minuten
Dimensionsreduktion: Nicht-negative Matrixfaktorisierung (NMF)4 Minuten
Themenmodellierung bei Sentiment-Analysen: Latent Dirichlet Allocation (LDA)5 Minuten
Umgang mit unausgewogenen Sentiment-Datensätzen5 Minuten
Bewertungskennzahlen und semantische Messgrößen4 Minuten
LSTMs und GRUs für die Modellierung sequenzieller Stimmungsdaten5 Minuten
Aufmerksamkeitsmechanismen in Deep-Sentiment-Modellen4 Minuten
Stimmungsanalyse mit vortrainierten BERT-Modellen5 Minuten
Feinstimmung von Transformer-Modellen für domänenspezifische Sentiment-Aufgaben5 Minuten
Modernste Transformers: RoBERTa, DistilBERT, GPT-basierte Ansätze4 Minuten
Sentiment-Klassifizierung mit wenigen Trainingsbeispielen (Few-Shot) und ohne Trainingsbeispiele (Zero-Shot) unter Verwendung von an Anweisungen optimierten LLMs5 Minuten

5 LektürenInsgesamt 100 Minuten

Grundlagen der Sentimentanalyse: Lexika, Regeln und Vorverarbeitung zur Polaritätserkennung20 Minuten
Von Wahrscheinlichkeiten zu Mustern: Klassisches maschinelles Lernen in der Stimmungsanalyse20 Minuten
Kontext, Kontext, Kontext: Deep Learning in der Stimmungsanalyse20 Minuten
Zusammenfassung des Moduls: Sentimentanalyse – Modelle, Methoden und Techniken20 Minuten
Emotionsanalyse in großem Maßstab: Regelbasierte, klassische und Deep-Learning-Ansätze zur Sentimentanalyse20 Minuten

4 AufgabenInsgesamt 48 Minuten

Wissenscheck: Sentimentanalyse – Modelle, Methoden und Techniken30 Minuten
Übungsquiz: Grundlagen der Stimmungsanalyse6 Minuten
Übungsquiz: Traditionelle Ansätze des maschinellen Lernens6 Minuten
Übungsquiz: Deep Learning für die Stimmungsanalyse6 Minuten

In diesem Modul untersuchen die Lernenden, wie die Sentimentanalyse in dynamischen, mehrsprachigen und wirkungsvollen Umgebungen angewendet wird. Im Mittelpunkt der Lektionen stehen die Verfolgung von Sentimenttrends im Zeitverlauf, die Extraktion von Meinungen auf Aspekt-Ebene sowie die sprachübergreifende Erweiterung von Sentimentmodellen. Die Lernenden werden zudem die ethischen Risiken der Sentimentmodellierung bewerten und untersuchen, wie faire, nachvollziehbare Systeme für sensible Anwendungsbereiche wie das Gesundheitswesen und die Justiz konzipiert werden können.

Das ist alles enthalten

19 Videos6 Lektüren5 Aufgaben

19 VideosInsgesamt 76 Minuten

Verfolgung von Stimmungstrends im Zeitverlauf4 Minuten
Plötzliche Meinungsumschwünge erkennen3 Minuten
Stimmungsanalyse im öffentlichen Diskurs und bei Krisenereignissen3 Minuten
Anwendungsfälle: Social-Media-Beobachtung, Analyse politischer Ereignisse4 Minuten
Demonstration: Zeitliche Sentimentverfolgung und Analyse der Auswirkungen von Ereignissen6 Minuten
Einführung in ABSA und feinkörnige Stimmungsanalyse3 Minuten
Aspekt-Extraktion mithilfe von maschinellem Lernen3 Minuten
Verfahren zur Klassifizierung von Stimmungen auf Aspekt-Ebene6 Minuten
Integration von NER mit ABSA für höhere Genauigkeit3 Minuten
Demonstration: Aspektbasierte Stimmungsanalyse6 Minuten
Herausforderungen bei der mehrsprachigen Sentimentanalyse5 Minuten
Sprachunabhängige Lexika und Einbettungen3 Minuten
Sprachübergreifende Embeddings: MUSE, LASER3 Minuten
Feinabstimmung von mBERT und XLM-R für mehrsprachige Aufgaben5 Minuten
Mehrsprachiger Sentiment-Transfer mit „Zero-Shot“- und „Few-Shot“-Ansatz3 Minuten
Verzerrungen in Stimmungsmodellen: Geschlecht, ethnische Zugehörigkeit, Kultur4 Minuten
Reduzierung von falsch-negativen und falsch-positiven Ergebnissen in Hochrisikobereichen4 Minuten
Stimmungsanalyse in sensiblen Bereichen: Gesundheitswesen, Justiz, Personalwesen4 Minuten
Fairness, Verantwortlichkeit und Transparenz bei der Sentimentklassifizierung3 Minuten

6 LektürenInsgesamt 120 Minuten

Stimmungsentwicklung im Zeitverlauf: Zeitliche und ereignisbasierte Stimmungsanalyse20 Minuten
Über die Sterne hinaus: Aspektbasierte Sentimentanalyse für ein detailliertes Opinion Mining20 Minuten
Über Sprachen und Grenzen hinweg: Entwicklung von Sentiment-Systemen für eine mehrsprachige Welt20 Minuten
Über die Genauigkeit hinaus: Ethischer und fairer Einsatz von Systemen zur Stimmungsanalyse20 Minuten
Zusammenfassung des Moduls: Praktische Anwendungen und zu beachtende Aspekte20 Minuten
Stimmungsanalyse in großem Maßstab: Zeitliche, detaillierte, mehrsprachige und ethische Perspektiven im modernen Opinion Mining20 Minuten

5 AufgabenInsgesamt 54 Minuten

Wissenscheck: Praktische Anwendungen und zu beachtende Aspekte30 Minuten
Übungsquiz: Zeitliche und ereignisbezogene Stimmungstrends6 Minuten
Übungsquiz: Aspektbasierte Sentimentanalyse (ABSA)6 Minuten
Übungsquiz: Mehrsprachige und sprachübergreifende Stimmungsanalyse6 Minuten
Übungsquiz: Ethischer und fairer Umgang mit Sentiment-Modellen6 Minuten

In diesem abschließenden Modul festigen die Lernenden die Schlüsselkonzepte des Kurses anhand einer strukturierten Zusammenfassung, eines praxisnahen Projekts und einer Reflexionsaufgabe. Der Schwerpunkt liegt auf der Anwendung der gesamten Bandbreite an Techniken der Tokenisierung und Sentimentanalyse in praktischen, fachrelevanten Szenarien. Dieses Modul ermutigt die Lernenden zudem, ihr Verständnis zu überprüfen und sich auf reale NLP-Aufgaben vorzubereiten, indem sie technisches Wissen mit ethischem und kontextbezogenem Bewusstsein verbinden.

Das ist alles enthalten

1 Video1 Lektüre2 Aufgaben1 Diskussionsthema1 Unbewertetes Labor

1 VideoInsgesamt 4 Minuten

Kursübersicht: Tokenisierung und Stimmungsanalyse4 Minuten

1 LektüreInsgesamt 20 Minuten

Von Tokens zu Trends: Ein praktischer Leitfaden zur modernen Stimmungsanalyse20 Minuten

2 AufgabenInsgesamt 60 Minuten

Abschlussprüfung: Tokenisierung und Stimmungsanalyse30 Minuten
Entwicklung einer Strategie für die mehrsprachige Stimmungsanalyse30 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Beschreiben Sie Ihre Lernreise10 Minuten

1 Unbewertetes LaborInsgesamt 60 Minuten

Übungsprojekt: Sentimentanalyse bei IMDb60 Minuten

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Edureka

207 Kurse187.179 Lernende

von

Edureka

Mehr von Maschinelles Lernen entdecken

Status: Kostenloser Testzeitraum
Edureka
Mastering NLP: Tokenization, Sentiment Analysis & Neural MT
Spezialisierung
Coursera
Sentiment Analysis with Deep Learning using BERT
angeleitetes Projekt
Status: Kostenloser Testzeitraum
EDUCBA
Python Case Study - Sentiment Analysis
Kurs
Status: Kostenloser Testzeitraum
Packt
NLP – Embeddings & Text Preprocessing in Python
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Häufig gestellte Fragen

Dieser Kurs bietet einen detaillierten Einblick in moderne Tokenisierungsstrategien und Techniken der Stimmungsanalyse, die bei mehrsprachigen und domänenspezifischen NLP-Aufgaben zum Einsatz kommen. Er befasst sich mit Methoden zur Subwort-Modellierung wie Byte-Pair Encoding (BPE), WordPiece und SentencePiece und untersucht Ansätze zur Kodierung auf Zeichenebene. Die Teilnehmer arbeiten mit sprachübergreifenden Embeddings wie MUSE und LASER und feinstimmen Modelle wie mBERT und XLM-R für die Stimmungsklassifizierung. Der Kurs behandelt außerdem die aspektbasierte Sentimentanalyse (ABSA) sowie lexikonbasierte Methoden unter Verwendung von VADER und SentiWordNet und wendet diese Techniken auf reale Anwendungsfälle wie Social-Media-Monitoring, politische Diskursanalyse und die Verfolgung von Stimmungsentwicklungen bei Krisenereignissen an.

Die Lernenden befassen sich mit modernen Tokenisierungsstrategien, darunter Byte-Pair Encoding (BPE), WordPiece, SentencePiece und die Kodierung auf Zeichenebene, die alle für die Textdarstellung auf Subwort-Ebene von entscheidender Bedeutung sind.

Ja. Der Kurs legt den Schwerpunkt auf mehrsprachige und sprachübergreifende Sentimentanalyse und nutzt dabei gemeinsame Teilwort-Vokabulare sowie Modelle wie mBERT und XLM-R, um mehrere Sprachen effektiv zu verarbeiten.

Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.

Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.

Weitere Fragen

Besuchen Sie die das Hilfe-Center für Kursteilnehmer.

Finanzielle Unterstützung verfügbar,

¹ Einige Aufgaben in diesem Kurs werden mit AI bewertet. Für diese Aufgaben werden Ihre Daten in Übereinstimmung mit Datenschutzhinweis von Courseraverwendet.