Sobre este cursoIntermediário · 8 módulos · 12h
Aprenda a extrair informações críticas de textos com técnicas avançadas de NER, combinando o poder do regex, modelos tradicionais e LLMs. Domine a implementação de pipelines escaláveis para produção.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e cientistas de dados que precisam extrair informações estruturadas de textos não estruturados
Ao concluir, você será capaz de: Capacitar o aluno a implementar pipelines de NER robustos, combinando expressões regulares, modelos tradicionais e LLMs para extração precisa de dados em sistemas reais
8 módulos · 12h · certificado ao final
- Explorando fundamentos: O que são entidades nomeadas e por que importam
- Dominando regex para extração de padrões em textos
- Configurando spaCy e treinando modelos de NER clássicos
- Integrando LLMs para NER: Prompt engineering e fine-tuning
- Avaliar precisão: Métricas e validação de modelos de NER
- Otimizando pipelines: Combinação de regex, NER clássico e LLMs
- Deployando soluções de NER com FastAPI e Docker
- Projeto Final: Construindo um pipeline de NER para documentos jurídicos
Projeto Final
Um pipeline completo de NER que extrai entidades de contratos jurídicos (nomes, datas, valores, cláusulas) e as estrutura em um banco de dados, com deploy em container
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "NER Avançado: Do Regex ao LLM em Produção"
print(f"Primeira linha rodada no curso de {curso}.")Módulo 1: Explorando fundamentos: O que são entidades...