Fundamentos de NLP
Las técnicas base para convertir texto humano en algo que un modelo pueda procesar matemáticamente.
ÁreaProcesamiento de Lenguaje Natural
DificultadIntermedio
Tiempo de aprendizaje3-4 semanas
¿Qué puedes lograr dominando este tema?
- Convertir texto crudo en representaciones numéricas (embeddings) que un modelo puede usar
- Extraer entidades, sentimiento y estructura sintáctica de un texto
- Elegir entre enfoques clásicos y modernos según el problema
Descripción
Antes de los grandes modelos de lenguaje, el NLP se apoyaba en técnicas como tokenización, stemming, TF-IDF y embeddings de palabras (Word2Vec, GloVe) para convertir texto en vectores numéricos. Estos fundamentos siguen siendo relevantes para entender qué hacen realmente los modelos modernos por debajo del capó.
Casos de uso
- Clasificación de texto y análisis de sentimiento
- Extracción de entidades nombradas de documentos
- Búsqueda y recuperación de información basada en similitud semántica
- Preprocesamiento de texto antes de alimentar un modelo más complejo
Ejemplo práctico
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizador = TfidfVectorizer(max_features=500)
X = vectorizador.fit_transform(["el gato duerme", "el perro corre"])
print(X.shape)Ventajas y limitaciones
Ventajas
- Computacionalmente ligero comparado con los grandes modelos de lenguaje
- Sigue siendo suficiente para muchas tareas simples de clasificación de texto
- Facilita entender los fundamentos antes de saltar a Transformers
Limitaciones
- Pierde matices semánticos y de contexto que sí capturan los LLMs
- Requiere más ingeniería manual de features que los enfoques modernos
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- spaCy
- NLTK
- scikit-learn