【Udemy中英字幕】Data Extraction Basics for Docs and Images with OCR and NER

使用 OCR 和 NER 对文档和图像进行数据提取的基础知识

成为 Python、Pandas、OCR、NER 和 Spacy 的数据提取专家：学习训练和构建真实世界的解决方案

讲师：Vineeta Vashistha

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 了解如何轻松地从 PDF、Word 文档、扫描图像等中提取数据。
• 使用 Tesseract 和 PyTesseract 对图像进行准确的光学字符识别 (OCR)。
• 开发一个用于从不同类型的输入文档中提取数据的通用管道。
• 了解如何开发强大的数据提取工作流程
• 开始了解如何有效地使用 Spacy 进行标记
• 了解如何为您自己的数据集训练 Spacy
• 使用 Pandas 将提取的数据转换为 CSV 格式
• 设计可定制的技术 OCR 解决方案以提取数据

探索相关主题

要求

• 对编程有基本了解
• 熟悉 Python

描述

掌握使用 Python 进行智能数据提取：深入了解 OCR、NLP 和计算机视觉

通过掌握从各种文档格式中提取有价值信息的先进技术来提升您的数据科学和机器学习技能。

本综合课程旨在为您提供从 PDF、图像和其他文档中高效提取数据的工具和知识。您将深入研究光学字符识别 (OCR)、自然语言处理 (NLP) 和计算机视觉方面的尖端技术，以自动化数据提取流程并简化您的工作流程。

涵盖的关键主题：

• 基本图像处理概念：

  • 像素级操作

  • 图像过滤和降噪

  • 图像变换和特征提取

• 使用 Tesseract 进行 OCR：

  • Tesseract OCR 引擎及其配置选项

  • 实现最佳 OCR 性能的图像预处理技术

  • 处理复杂的布局和文档结构

  • 对 Tesseract 进行微调，以提取特定领域的文本

• 使用 PyTesseract 提取文本：

  • 利用 PyTesseract 实现高效的文本提取

  • 用于处理复杂文档的高级 PyTesseract 技术

  • 将 PyTesseract 集成到数据管道中

• 使用 Spacy 进行自然语言处理 (NLP)：

  • 文本预处理和标记化

  • 词性标注和依存关系解析

  • 命名实体识别 (NER) 用于识别关键信息

  • 为特定领域定制 Spacy 模型

• 构建数据提取管道：

  • 设计高效的数据提取工作流程

  • 处理各种文档格式（PDF、图像、Word 等）

  • 结合 OCR、NLP 和计算机视觉技术

  • 错误处理和质量保证策略

完成本课程后，您将能够：

• 从复杂的文档布局中高精度地提取文本

• 为各种应用程序构建强大的数据提取管道

• 应用先进的 NLP 技术分析文本数据并从中提取见解

• 利用计算机视觉技术预处理和增强基于图像的文档

• 针对特定领域定制和微调 OCR 和 NLP 模型

加入我们，释放数据的力量，在数据科学和机器学习领域获得竞争优势。

本课程适合哪些人：

• 需要从各种来源提取数据用于工作的 Python 开发人员。
• 有兴趣了解数据提取以及如何使用数据提取解决实际问题的学生
• 任何对数据提取感到好奇并想了解更多信息的人。