معرفی شرکت ها

cdeid-0.1.3

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.3
0.1.2
0.1.1
0.1.3
0.1.2
0.1.1

توضیحات

A Customized De-identification framework
ویژگی مقدار
سیستم عامل -
نام فایل cdeid-0.1.3
نام cdeid
نسخه کتابخانه 0.1.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Leibo Liu
ایمیل نویسنده liuleibo@gmail.com
آدرس صفحه اصلی https://github.com/CBDRH/cdeid
آدرس اینترنتی https://pypi.org/project/cdeid/
مجوز -
![cDeid](resources/cdeid_logo_2020.png) > A framework for training de-identification models to automatically remove protected health information (PHI) from the free text. cDeid is a customized de-identification method. The users can easily train their own de-identification Models on the data sets which are extracted from their own free text corpus. cDeid is based on 3 popular NLP toolkits: [spaCy][spacy], [Stanza][stanza] and [FLAIR][flair]. ## Installation This project is based on Python 3.7+. Please install it if you do not have. PyTorch is used by FLAIR and Stanza toolkits. It needs to be installed from [here][pytorch] before you install this project. ```sh pip install cdeid ``` ## Usage example We are using the [pre-trained word2vec embeddings][word2vec] released from the CoNLL 2017 Shared Task. It is important to specify the customized PHI types in the corpus otherwise it will cause runtime error during training the models. ### Using the Python API #### Train the models ```python from cdeid.models.trainer import Trainer phi_types = ['PHONE', 'PERSON', 'ADDRESS', 'IDN', 'DOB'] nlp = Trainer("C:/data", "C:/workspace", phi_types, "C:/wordvec/English/en.vectors.xz") nlp.train() ``` #### De-identify a sample document ```python from cdeid.deidentifier.phi_deid import PHIDeid deider = PHIDeid("C:/workspace", "C:/output") doc = deider("C:/raw/example.txt") deider.output(doc) ``` ### Using the command line #### Train the models ```sh python -m cdeid --command train --workspace C:/workspace --data_dir C:/data --phi_types PHONE PERSON ADDRESS IDN DOB --wordvec_file C:/wordvec/English/en.vectors.xz ``` #### De-identify a sample document ```sh python -m cdeid --command deid --workspace C:/workspace --deid_output_dir C:/output --deid_file C:/raw/example.txt ``` ## Release History * 0.1.1 * The first release * 0.1.2 * Modify Readme and Setup * 0.1.3 * Update model trainers ## Contributors Leibo Liu - initial work - [leiboliu](https://github.com/leiboliu/) ## License [Apache License, Version 2.0](/LICENSE) <!-- Markdown link & img dfn's --> [spacy]: https://spacy.io/ [stanza]: https://stanfordnlp.github.io/stanza/ [flair]: https://github.com/flairNLP/flair [word2vec]:https://lindat.mff.cuni.cz/repository/xmlui/bitstream/handle/11234/1-1989/word-embeddings-conll17.tar?sequence=9&isAllowed=y [pytorch]: https://pytorch.org/ [demolink]: https://demo-wat.herokuapp.com/


نیازمندی

مقدار نام
>=2.3.2 spaCy
>=1.1.1 stanza
==0.8 flair
>=1.1.3 mako


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl cdeid-0.1.3:

    pip install cdeid-0.1.3.whl


نصب پکیج tar.gz cdeid-0.1.3:

    pip install cdeid-0.1.3.tar.gz