N-Gram-functies uit tekst halen

Hiermee maakt u een N-gram woorden lijst en kunt u er functies op selecteren

Categorie: Text Analytics

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt uitgelegd hoe u de functies van de functie N-gram extra heren uit de module tekst in azure machine learning Studio (klassiek) kunt gebruiken om tekst te parametriseeren en alleen de belangrijkste stukjes informatie uit lange teken reeksen uit te pakken.

De module werkt door een woorden lijst van n-gram te maken op basis van een kolom met vrije tekst die u opgeeft als invoer. De module past diverse metrische gegevens aan de n-gram lijst toe om de gegevens dimensionaliteit te reduceren en het n-gram te identificeren dat de meeste gegevens waarde bevat.

Als u al een vocabulaire van n-gram hebt gemaakt, kunt u de statistieken bijwerken of nieuwe voor waarden samen voegen met een wegings algoritme van uw keuze.

Omdat deze module parametrisatie ondersteunt vanuit n-gram, kan deze ook worden gebruikt bij het scoren.

Het extra heren van N-gram-functies configureren vanuit tekst

Deze module biedt ondersteuning voor de volgende scenario's voor het maken, bijwerken of Toep assen van een n-gram-woorden lijst:

  • U ontwikkelt een nieuw model met behulp van een kolom met vrije tekst en u wilt tekst functies extra heren op basis van de invoer gegevens. Zie de instructies.

  • U hebt een bestaande set tekst functies en wilt het gewicht bijwerken door nieuwe tekst invoer te verwerken. Zie de instructies.

  • U genereert scores van een voorspellend model en u moet tekst invoer genereren en gebruiken met een n-gram woordenlijst als onderdeel van het Score proces. Zie de instructies.

U kunt het voorbeeld experiment gebruiken ter referentie.

Een nieuwe n-gram-woorden lijst maken op basis van een tekst kolom

  1. Voeg de extra N-gram-functies uit de tekst module toe aan uw experiment en verbind de gegevensset met de tekst die u wilt verwerken.

  2. Kies voor tekst kolomeen kolom van het type teken reeks die de tekst bevat die u wilt ophalen.

    Standaard selecteert de module alle teken reeks kolommen. Omdat het resultaat echter uitgebreid is, moet u mogelijk één kolom tegelijk verwerken.

  3. Voor de woordenlijst modusselecteert u maken om aan te geven dat u een nieuwe lijst met n-gram-functies maakt.

    Zie deze sectievoor meer informatie over het bijwerken van een bestaande set van n-gram-functies.

  4. Voor N-gram groottetypt u een getal dat de maximale grootte van het N-gram-bestand aangeeft dat moet worden uitgepakt en opgeslagen.

    Bijvoorbeeld, als u typt 3 , unigrams, bigrams en trigrams, worden gemaakt.

  5. Voor de grootte van K-overs Laantypt u het maximum aantal tekens dat kan verschillen bij het identificeren van varianten van n-gram. Als de waarde k is ingesteld op 0, kan n-gram alleen worden gemaakt op basis van een unieke, aaneengesloten reeks tekens.

    Stel bijvoorbeeld dat uw woorden lijst de unigram ' computer ' bevat. Een k -waarde van 0 betekent dat ' computer ' de enige geldige unigram is. Als u de waarde van k verhoogt naar 1, kunt u één tussenliggende teken overs Laan, waarmee u meer soort gelijke reeksen kunt vinden. Een Skip-gram met een k -waarde van 1 zou verschillen met één teken van de 0-k -unigram. Het Skip-gram "conputer" en "compuuter" worden dus beschouwd als onderdeel van dezelfde vermelding van het woorden boek als "computer". Het instellen van de k -waarde op 2 komt overeen met niet meer soort gelijke woorden.

    Voor meer informatie over hoe Skip-gram in tekst analyse wordt gebruikt, raadpleegt u dit artikel: de functie voor het genereren en het maken van kandidaten voor lexicale normalisatie

  6. De optie voor de wegings functieis alleen vereist als u de woorden lijst samenvoegt of bijwerkt. Hiermee wordt aangegeven hoe de termen in de twee woorden lijsten en hun scores op elkaar moeten worden gewogen.

  7. Voor de minimale woord lengtetypt u de minimale woord lengte van teken reeksen die kunnen worden geanalyseerd.

    Stel bijvoorbeeld dat de minimale woord lengte is ingesteld op 3 (de standaard waarde) en dat er één invoer is met één woord, en een andere met een korte tekst zoals ' leuk '. Beide rijen worden genegeerd.

  8. Voor maximale woord lengtetypt u het maximum aantal letters dat kan worden gebruikt in één woord in een n-gram.

    Standaard zijn Maxi maal 25 tekens per woord of Token toegestaan. Woorden die langer zijn dan die worden verwijderd, op de veronderstelling dat ze mogelijk reeksen van wille keurige tekens zijn in plaats van werkelijke lexicale items.

  9. Voor een minimale n-gram document absolute frequentie, typt u een getal dat de minimale instanties aangeeft die vereist zijn voor een enkel woord of token dat moet worden opgenomen in de n-gram-woorden lijst.

    Als u bijvoorbeeld de standaard waarde 5 gebruikt, moeten alle n-gram-of Skip-gram ten minste vijf keer worden weer gegeven in de verzameling die moet worden opgenomen in de n-gram-woorden lijst.

  10. Voor een maximale verhouding van een n-gram document, typt u een getal dat deze verhouding aangeeft: het aantal rijen dat een bepaald n-gram bevat boven het aantal rijen in de algemene verzameling.

    Een verhouding van 1 zou bijvoorbeeld aangeven dat, zelfs als een specifieke n-gram aanwezig is in elke rij, het n-gram kan worden toegevoegd aan de woorden lijst n-gram. Normaal gesp roken wordt een woord dat in elke rij voor komt, beschouwd als een ruis woord en zou het worden verwijderd. Als u wilt filteren op domein afhankelijke ruis woorden, verkleint u deze verhouding.

    Belangrijk

    Het aantal exemplaren van bepaalde woorden is niet uniform, maar varieert van document tot document. Als u bijvoorbeeld klant opmerkingen van een specifiek product analyseert, kan de product naam zeer hoge frequentie zijn en sluiten op een ruis woord, maar een belang rijke term in andere contexten zijn.

  11. Selecteer de optie, Genereer out-of-woordenlijst rijenals u een indicator wilt genereren voor alle rijen die woorden bevatten die niet in de n-gram-woorden lijst voor komen. dit worden "out of OOV-woorden" (out of vocabulaire) genoemd.

Alle lexicons zijn eindig; Daarom is uw tekst verzameling bijna gegarandeerd om woorden te bevatten die niet voor komen in het lexicon of het n-gram-woorden boek. Dergelijke woorden kunnen echter verschillende gevolgen hebben voor de taal modellen, waaronder hogere fout frequenties vergeleken met woorden die in de vocabulaire (IV) voor komt. Afhankelijk van uw domein, kunnen deze OOV woorden belang rijke woorden voor de inhoud vertegenwoordigen. 

Door rijen te identificeren die deze woorden bevatten, kunt u de gevolgen van deze voor waarden compenseren of de voor waarden en gerelateerde rijen afzonderlijk afhandelen.
  1. Selecteer de optie, Markeer begin van de zinom een speciale teken reeks toe te voegen die het begin van een zin in uw n-gram-woorden lijst aangeeft. Het voor voegsel van n-gram waarmee een zin met een speciaal teken wordt gestart, is gebruikelijk in tekst analyse en kan nuttig zijn bij het analyseren van de grenzen van de uitvoering.

    Met Azure ML Studio (klassiek) wordt het symbool ingevoegd ||| . U kunt geen aangepast teken opgeven.

  2. Selecteer de optie voor het normaliseren van functie vectoren met n-gram als u de functie vectoren wilt normaliseren. Wanneer u dit doet, wordt elke n-gram-functie Vector gedeeld door de L2-norm.

    Normalisatie wordt standaard gebruikt.

  3. Stel op filter gebaseerde functie selectie gebruiken in op waar als u extra opties wilt inschakelen voor het beheren van de grootte van de tekst functie Vector.

    • Functies electie kan handig zijn om de dimensionaliteit van uw n-gram te verminderen.
    • Wanneer u geen filter selectie toepast, worden alle mogelijke n-grams gemaakt en wordt de dekking verhoogd op basis van de kosten voor een langere en mogelijk opvallende term.
    • In een kleine verzameling kan het gebruik van functie selectie het aantal gemaakte termen aanzienlijk verminderen.
    • Zie filteren op basis van functiesvoor meer informatie.

    Als u functie selectie gebruikt, moet u een methode selecteren in de vervolg keuzelijst functie Score methode :

    • PearsonCorrelation: berekent de correlatie van Pearson op basis van de waarde van de kolom Label en de tekst vector.
    • MutualInformation: berekent een score voor wederzijdse informatie op basis van de waarde van de kolom Label en de tekst vector.
    • KendallCorrelation: berekent de correlatie van Kendall, op basis van de waarde van de kolom Label en de tekst vector.
    • SpearmanCorrelation: berekent de ' Spearman-correlatie, op basis van de waarde van de kolom Label en de tekst vector.
    • ChiSquared: gebruikt de Chi-kwadraat methode voor het berekenen van de correlatie tussen de kolom waarde van de label en de tekst vector.
    • FisherScore: berekent de Fisher-score voor de waarde van de kolom Label en de tekst vector.
    • Functie selectie op basis van teller: maakt nieuwe functies op basis van het aantal waarden. Een label kolom is niet vereist voor deze methode.

    Stel, afhankelijk van de methode die u kiest, een van de volgende opties in:

    • Aantal gewenste functies: vereist als u een andere functie selectie methode dan onderdelen selecteren op basis van het aantal gebruikt.

      In het proces van het selecteren van onderdelen, krijgen alle n-gram een functie Score en n-g gerangschikt op Score. De waarde die u hier instelt, bepaalt hoeveel van de meest gerangschikte functies worden uitgevoerd. N-gram met lagere functie scores worden genegeerd.

    • Minimum aantal elementen dat niet gelijk is aan nul: vereist als u functie selectie op basis van tellers gebruikt.

      Typ een geheel getal dat het minimum aantal exemplaren vertegenwoordigt dat vereist is voor het berekenen van aantallen voor een potentiële functie.

  4. Voer het experiment uit.

    Zie deze sectie voor een uitleg van de resultaten en de indeling ervan.

Een bestaande n-gram-woorden lijst bijwerken of woorden boeken samen voegen

  1. Voeg de extra N-gram-functies uit de tekst module toe aan uw experiment en verbind de gegevensset met de tekst die u wilt verwerken naar de gegevensset -poort.

  2. Kies voor tekst kolomde tekst kolom die de tekst bevat die u wilt parametriseer. Standaard selecteert de module alle kolommen van het type teken reeks. Voor de beste resultaten moet u één kolom tegelijk verwerken.

  3. Voeg de opgeslagen gegevensset met een eerder gegenereerde n-gram-woorden lijst toe en verbind deze met de woordenlijst poort van de invoer . U kunt ook de Resultaten woordenlijst van een upstream-exemplaar van de functie voor het uitpakken van N-gram-functies uit de tekst module verbinden.

    Het schema van de invoer woordenlijst moet exact overeenkomen met de verwachte indeling om de woorden lijst samen te voegen of bij te werken. Verwijder geen kolommen uit of Voeg geen kolommen toe aan de invoer woordenlijst.

  4. Selecteer voor de woordenlijst moduseen van de volgende update opties in de vervolg keuzelijst:

    • Alleen-lezen: vertegenwoordigt de invoer verzameling in termen van de invoer woordenlijst. Dat wil zeggen, in plaats van de term frequenties te berekenen op basis van de nieuwe tekst gegevensset (aan de linkerkant), worden de n-gram-gewichten van de invoer woordenlijst toegepast als is.

      Tip

      Gebruik deze optie bij het scoren van een tekst classificatie.

    • Update: maakt een nieuwe n-gram-vocabulaire van de invoer verzameling en voegt dit samen met de invoer woordenlijst. Met andere woorden, u kunt nieuwe vermeldingen toevoegen aan de gemaakte vocabulaire uit de woorden lijst voor de invoer, maar u kunt ook bestaande vermeldingen bijwerken.

      Tip

      Gebruik deze optie voor incrementele updates van de vocabulaire met inkomende gegevens batches.

    • Samen voegen: genereert een nieuwe n-gram-vocabulaire uit de invoer verzameling.

      Deze optie is handig als u een achtergrond woordenlijst als invoer naar de module doorgeeft en het gewicht van de stop woorden wilt reduceren. Met andere woorden, elke vermelding met een hoge document frequentie in de vocabulaire op de achtergrond krijgt een lagere inverse document frequentie die in de gemaakte vocabulaire is opgenomen.

      Tip

      Gebruik deze optie als u geen nieuwe vermeldingen wilt toevoegen aan de gemaakte vocabulaire van de invoer en alleen de scores van bestaande vermeldingen wilt aanpassen.

  5. De optie voor de wegings functieis vereist als u de woorden lijst samenvoegt of bijwerkt. De functie weighting geeft aan hoe de VG-en IDF-scores in de twee woorden lijsten moeten worden gewogen:

    • Binair gewicht: wijst een binaire aanwezigheids waarde toe aan het geëxtraheerde n-gram. Met andere woorden, de waarde voor elke n-gram is 1 wanneer deze bestaat in het opgegeven document en 0 anders.
    • TF-gewicht: wijst een term-Frequency Score (TF) toe aan de geëxtraheerde n-gram. De waarde voor elke n-gram is de frequentie van het voorval in het opgegeven document.
    • IDF Weight: wijst een inverse document frequentie Score (IDF) toe aan de geëxtraheerde n-gram. De waarde voor elke n-gram is het logboek van de verzameling grootte gedeeld door de frequentie van het exemplaar in het hele verzameling. Dat wil zeggen: IDF = log of corpus_size / document_frequency
    • TF-IDF Weight: wijst een term frequentie/inverse document frequentie Score (TF/IDF) toe aan de geëxtraheerde n-gram. De waarde voor elke n-gram is de TF-Score vermenigvuldigd met de IDF-Score.
    • Grafiek gewicht: wijst een score toe aan het geëxtraheerde n-gram op basis van de rang schikking van de TextRank grafiek. TextRank is een op grafieken gebaseerd rangorde model voor tekst verwerking. Classificatie algoritmen op basis van een grafiek zijn in feite een manier om het belang te bepalen op basis van algemene informatie. Zie voor meer informatie TextRank: volg orde in teksten door Rada Mihalcea en Paul Tarau.
  6. Zie de beschrijvingen van de eigenschappen in de voor gaande sectievoor alle andere opties.

  7. Voer het experiment uit.

    Zie deze sectie voor een uitleg van de resultaten en de indeling ervan.

Een model dat gebruikmaakt van n-gram beoordelen of publiceren

  1. Kopieer de functies N-gram van de tekst module extra heren uit de stroom van de training naar de gegevens stroom voor scores.

  2. Verbind de Resultaten woordenlijst uitvoer van de trainings-gegevens stroom naar de invoer woordenlijst op de score gegevensstroom.

  3. In de Score werk stroom wijzigt u de extractie van N-gram-functies uit de tekst module en brengt u de wijzigingen aan.

    • Stel de para meter voor de woordenlijst modus in op alleen-lezen.

    • Wijzig de optie filter op basis van functies gebruiken False .

  4. Als u het experiment wilt publiceren, slaat u de Resultaten woordenlijst op als gegevensset.

    Verbind de opgeslagen gegevensset vervolgens met de module N-gram functies van de functie voor het uitpakken van tekst in uw score diagram.

Levert

Met de functie N-gram functies van de tekst module extra heren worden twee typen uitvoer gemaakt:

  • Gegevensset voor resultaten: een samen vatting van de geanalyseerde tekst samen met het n-gram dat is geëxtraheerd. Kolommen die u niet hebt geselecteerd in de optie tekst kolom , worden door gegeven aan de uitvoer. Voor elke kolom met tekst die u analyseert, genereert de module deze kolommen:

    • NgramsString: een teken reeks die alle unieke n-gram bevat.
    • NumUniqueNgrams: de telling van n-gram geëxtraheerd met behulp van de opgegeven eigenschappen.
    • Sparse matrix van n-gram-exemplaren: de module genereert een kolom voor elke n-gram gevonden in de totale verzameling en voegt een score toe aan elke kolom om het gewicht van de n-gram voor die rij aan te geven.
  • Resultaten woordenlijst: de woorden lijst bevat de werkelijke n-gram-woorden lijst, samen met de term frequentie scores die worden gegenereerd als onderdeel van de analyse. U kunt de gegevensset opslaan voor hergebruik met een andere set invoer of voor een latere update. U kunt ook de scores bijwerken of de woorden lijst voor model lering en scores opnieuw gebruiken.

Voorbeeld resultaten

Om te laten zien hoe u de resultaten kunt gebruiken, in het volgende voor beeld wordt de gegevensset van het Amazon Book-beoordeling gebruikt in Studio (klassiek). De dataaset is gefilterd, zodat alleen beoordelingen worden weer gegeven met een Score van 4 of 5, en beoordelingen met een teken reeks lengte van minder dan 300 tekens.

Vanuit deze gegevensset is een korte controle geselecteerd, met alleen 92 woorden. Hier is de naam van de auteur vervangen door Xxx en is de titel van het boek vervangen door Yyy :

"Xxx at his best ! Yyy is one of Xxx's best yet! I highly recommend this novel."

Gegevensset met resultaten voor voorbeeld tekst van controle

Voor dit voor beeld heeft de module deze kolommen gegenereerd:

  • NumUniqueNgrams: voor dit 92 Word-beoordeling, met de standaard instellingen, zijn 11 n-g geëxtraheerd uit de beoordeling van het voor beeld.

    Wanneer de n-gram-lengte is verhoogd naar 3 en de waarde overs Laan-gram is ingesteld op 1, zijn 15 n-grams gevonden.

    Wanneer de functie selectie is toegepast op de standaard waarde, werden er geen n-g geëxtraheerd.

  • NgramsString: met de standaard instellingen zijn de volgende n-gram geretourneerd: ["zijn", "Best", "One", "uiterst", "raadt", "This", "roman", "his_best", "highly_recommend", "recommend_this", "this_novel"]

    Met een n-gram lengte van 3 en skip-gram waarde 1, deze n-gram zijn geretourneerd: ["his", "Best", "One", "uiterst", "raadt", "This", "roman", "his_best", "highly_recommend", "recommend_this", "this_novel", "best_one", "one_best", "highly_this", "highly_recommend_this"]

  • Sparse matrix van n-gram-exemplaren

    Voor deze specifieke beoordeling zijn de resultaten opgenomen in de volgende kolommen:

    ReviewText. zorgt ReviewText. [en _ Maxi maal] ReviewText. raden ReviewText. [nadrukkelijk _ Aanbevolen]
    0 0 0,301511 0,301511

    Tip

    Als u problemen hebt met het weer geven van een bepaalde kolom, koppelt u de module select columns in dataset aan de uitvoer en gebruikt u vervolgens de functie Search om kolommen op naam te filteren.

Resultaten woordenlijst voor voorbeeld tekst van controle

De vocabulaire bevat de werkelijke n-gram-woorden lijst, samen met de term frequentie scores die worden gegenereerd als onderdeel van de analyse. U kunt de gegevensset opslaan voor hergebruik met een andere set invoer of voor een latere update. De scores VG en IDF worden gegenereerd, ongeacht andere opties. Wanneer u woorden combineert, worden deze opgeslagen waarden gebruikt als invoer voor de functie voor gewichten die u kiest.

  • Id: een id die voor elke unieke n-gram wordt gegenereerd.
  • Ngram: de n-gram. Spaties of andere woord scheidings tekens worden vervangen door het onderstrepings teken.
  • VG: de term frequentie score voor de n-gram in de oorspronkelijke verzameling.
  • IDF: de inverse-frequentie score voor de n-gram in de oorspronkelijke verzameling.

Het is mogelijk om deze gegevensset hand matig bij te werken. Wees echter voorzichtig, want u kunt fouten introduceren. Bijvoorbeeld:

  • Er treedt een fout op als de module dubbele rijen met dezelfde sleutel in de ingevoerde vocabulaire vindt. Zorg ervoor dat er geen twee rijen in de woorden lijst hetzelfde woord hebben.
  • Het invoer schema van de woordenlijst gegevens sets moet exact overeenkomen, inclusief kolom namen en kolom typen.
  • De kolom id en de kolom VG - Score moeten van het type geheel getal zijn.
  • De kolom IDF moet van het type float (Floating Point) zijn.

Technische opmerkingen

We raden u aan om te experimenteren met verschillende waarden reeksen voor n-gram-lengte, het aantal Skip-gram en het gebruik van de functie selectie om de dimensionaliteit van uw tekst verzameling en de optimale functie verhouding te bepalen.

Zie de volgende bronnen voor meer informatie over n-gram en skip-gram:

Verwachte invoer

Naam Type Beschrijving
Gegevensset Gegevens tabel Invoergegevens
Woorden lijst invoeren Gegevens tabel Woorden lijst invoeren

Module parameters

Naam Type Bereik Optioneel Standaard Beschrijving
Minimum aantal elementen dat niet gelijk is aan nul Geheel getal >= 1 Is alleen van toepassing wanneer u de volgende methode gebruikt:

Aantal op basis
1 Geef het aantal functies op dat moet worden uitgevoerd (voor de methode CountBased)
Tekst kolom Kolom selectie Vereist StringFeature Naam of een index van een tekst kolom
Woordenlijst modus Woordenlijst modus Maken

ReadOnly

Bijwerken

Samenvoegen
Vereist Maken Opgeven hoe de n-gram woordenlijst moet worden gemaakt op basis van de verzameling
N-gram grootte Geheel getal >= 1 Vereist 1 Geef de maximale grootte van n-gram op die moet worden gemaakt
K-grootte overs Laan Geheel getal >= 0 Vereist 0 De grootte van de k-overs Laan aangeven
Functie voor weging Functie voor weging Binair gewicht

TF-gewicht

IDF-gewicht

TF-IDF-gewicht

Grafiek gewicht
Vereist Binair gewicht De functie weging kiezen die u wilt Toep assen op elke n-gram waarde
Minimale woord lengte Geheel getal >= 1 Vereist 3 De minimum lengte opgeven van woorden die moeten worden meegenomen in n-gram
Maximale woord lengte Geheel getal >= 2 Vereist 25 De maximale lengte opgeven van woorden die moeten worden meegenomen in n-gram
Minimale n-gram absolute frequentie van document Drijvendekommagetal >= 1,0 Vereist 5,0 Minimale n-gram absolute frequentie van document
Maximale verhouding van het n-gram document Drijvendekommagetal >= 0,0001 Vereist 1.0 Maximale verhouding van het n-gram document
Out-of-woordenlijst rijen detecteren Boolean-waarde Vereist true Rijen detecteren die woorden bevatten die niet voor komt in de n-gram woordenlijst (OOV)
Begin van de zin markeren Boolean-waarde Vereist false Aangeven of een begin van een zin moet worden toegevoegd aan n-gram
R-gram-functie vectoren normaliseren Boolean-waarde Vereist Normaliseer n-gram functie vectoren. Als deze optie is ingesteld op True, wordt de functie Vector van n-gram gedeeld door de L2-norm.
Functie selectie op basis van filter gebruiken Type waar onwaar Waar

Niet waar
Vereist Waar Functie selectie op basis van filters gebruiken om de dimensionaliteit te verminderen
Functie Score methode Score methode Pearson-correlatie

Wederzijdse informatie

Kendall correlatie

' Spearman correlatie '

Chi-kwadraat

Fisher-Score

Aantal op basis
Is alleen van toepassing wanneer de optie selectie op basis van filter gebruiken waar is Fisher-Score Kies de methode die u voor de score wilt gebruiken
Doel kolom Kolom selectie Is van toepassing als u een van de volgende methoden gebruikt:

Pearson-correlatie

Wederzijdse informatie

Kendall correlatie

' Spearman correlatie '

Chi-kwadraat

Fisher-Score
De doel kolom opgeven
Aantal gewenste functies Geheel getal >= 1 Is van toepassing als u een van de volgende methoden gebruikt:

Pearson-correlatie

Wederzijdse informatie

Kendall correlatie

' Spearman correlatie '

Chi-kwadraat

Fisher-Score
1 Geef het aantal functies op dat in de resultaten moet worden uitgevoerd

Outputs

Naam Type Beschrijving
Gegevensset voor resultaten Gegevens tabel Geëxtraheerde functies
Resultaten woordenlijst Gegevens tabel Resultaten woordenlijst

Zie ook

Text Analytics
Alfabetische lijst met Machine Learning modules