Shadowing Practice: Natural Language Processing - Tokenization (NLP Zero to Hero - Part 1) - Learn English Speaking with Video

Hi, and welcome to this series on Zero2Hero for Natural Language Processing using TensorFlow.

If you're not an expert on AI or ML, don't worry.

We're taking the concepts of NLP and teaching them from first principles.

In this first lesson, we'll talk about how to represent words in a way that a computer can process them, with a view to later training a neural network that can understand their meaning.

This process is called tokenization.

So let's take a look.

Consider the word listen, as you can see here.

It's made up of a sequence of letters.

These letters can be represented by numbers using an encoding scheme.

A popular one called ASCII has these letters represented by these numbers.

This bunch of numbers can then represent the word listen.

But the word silent has the same letters, and thus the same numbers, just in a different order.

So it makes it hard for us to understand sentiment of a word just by the letters in it.

So it might be easier, instead of encoding letters, to encode words.

Consider the sentence, I love my dog.

So what would happen if we start encoding the words in this sentence instead of the letters in each words?

So for example, the word I could be one.

And then the sentence, I love my dog, could be one, two, three, four.

Now, if I take another sentence, for example, I love my cat, how would we encode it?

Now we see I love my has already been given one, two, three.

So all I need to do is encode a cat.

I'll give that the number five.

And now if we look at the two sentences, they are one, two, three, four and one, two, three,

five, which already show some form of similarity between them.

And it's a similarity you'd expect because they're both about loving a pet.

Given this method of encoding sentences into numbers, now let's take a look at some code to achieve this for us.

This process, as I mentioned before, is called tokenization, and there's an API for that.

We'll look at how to use it with Python.

So here's your first look at some code to tokenize these sentences.

Let's go through it line by line.

First of all, we'll need the tokenizer APIs, and we can get these from TensorFlow Keras like this.

We can represent our sentences as a Python array of strings like this.

It's simply the I love my dog and I love my cat that we saw earlier.

Now the fun begins.

I can create an instance of a tokenizer object.

The numWords parameter is the maximum number of words to keep.

So instead of, for example, just these two sentences, imagine if we had hundreds of books to tokenize.

But we just want the most frequent 100 words in all of that.

This would automatically do that for us when we do the next step.

And that's to tell the tokenizer to go through all the text and then fit itself to them like this.

The full list of words is available as the tokenizer's word index property.

So we can take a look at it like this and then simply print it out.

The result will be this dictionary showing the key being the word and the value being the token for that word.

So, for example, my has a value of three.

The tokenizer is also smart enough to catch some exceptions.

So, for example, if we updated our sentences to this by adding a third sentence, noting that dog here is followed by an exclamation mark.

The nice thing is that the tokenizer is smart enough to spot this and not create a new token.

It's just dog.

And you can see the results here.

There's no token for dog exclamation, but there is one for dog.

And there's also a new token for the word you.

If you want to try this out for yourself, I've put the code in a colab here.

Take it for a spin and experiment.

You've now seen how words can be tokenized and the tools in TensorFlow that handle that tokenization for you.

Now that your words are represented by numbers like this, you'll next need to represent your sentences by sequences of numbers in the correct order.

You'll then have data ready for processing by a neural network to understand or maybe even generate new text.

You'll see the tools that you can use to manage this sequencing in the next episode.

So don't forget to hit that subscribe button.

✨ Aanbevolen Video

145 zinnen

Voor wie is deze video bedoeld?

Deze video is perfect voor beginners in Natural Language Processing (NLP) en Engelstalige leerlingen die willen leren hoe computers taal verwerken. Of je nu een student bent die AI of ML wil ontdekken, of iemand die Engelstalige code en concepten wil begrijpen, deze les start vanaf de basis. Het is ideaal voor wie wil oefenen met technische Engelse termen en praktische code-voorbeelden, terwijl ze tegelijkertijd hun IELTS spreekvaardigheid oefenen door te luisteren en na te spreken.

Handige woorden en uitdrukkingen om op te slaan

De video bevat enkele belangrijke termen die nuttig zijn voor zowel taal- als technische vaardigheden:

Tokenization: Het proces om woorden om te zetten in getallen zodat computers ze kunnen verwerken. Bijvoorbeeld: "I love my dog" wordt "1, 2, 3, 4".
Encoding scheme: Een systeem om tekens (letters, woorden) te vertalen naar getallen (zoals ASCII voor letters).
Word index: Een woordenboek dat elk woord koppelt aan een uniek getal (token). Bijvoorbeeld: "my" krijgt de waarde 3.
Neural network: Een computerprogramma dat is ontworpen om op dezelfde manier te werken als het menselijk brein, hier om betekenis te begrijpen.

Hoe de uitspraak goed te krijgen

Om de accent en intonatie van de spreker te leren, gebruik je best de techniek schaduwspreken (of "shadowing"). Hier is hoe je het doet met deze video:

Start met korte fragmenten (bijv. de uitleg over de tokenizer). Pause de video na elke zin en herhaal hem direct na de spreker. Let op de klemtoon op woorden als "tokenization" (uitgesproken als /ˌtoʊkənaɪˈzeɪʃn/) en "neural network" (/ˈnʊrəl ˈnɛtwərk/).
Let op de natuurlijke tempo. De spreker praat helder en langzaam, wat ideaal is voor beginners. Probeer hetzelfde tempo na te volgen om je vloeiendheid te verbeteren.
Let op het onderscheid tussen woorden met dezelfde letters maar verschillende betekenis, zoals "listen" en "silent" (uitgesproken als /ˈlɪsn/ en /ˈsaɪlənt/). Dit helpt je om betekenis te herkennen op basis van klank, niet alleen op letters.

Voor extra oefening kun je de code-uitdelen na luisteren opschrijven en voorlezen. Dit helpt je zowel de technische termen te onthouden als je spreekvaardigheid te verbeteren. Gebruik een shadowing site om je voortgang te volgen en feedback te krijgen!

Grammatica in deze video

De structuren die de spreker het meest gebruikt, met de exacte woorden uit de video:

Structuur	In de video
Lijdende vorm be + voltooid deelwoord — het gaat om wat er gebeurt, niet om wie het doet	is called · can be represented · been given
Present perfect have/has + voltooid deelwoord — iets uit het verleden dat nu nog telt	has already been given · I've put · You've now seen

Wat is de Shadowing-techniek?

Shadowing is een wetenschappelijk onderbouwde taalleermethode die oorspronkelijk is ontwikkeld voor professionele tolkentraining en gepopulariseerd door polyglot Dr. Alexander Arguelles. De methode is eenvoudig maar krachtig: je luistert naar native Engelse audio en herhaalt het onmiddellijk hardop — als een schaduw die de spreker volgt met slechts 1–2 seconden vertraging. In tegenstelling tot passief luisteren of grammaticadrills, dwingt shadowing je hersenen en mondspieren om echte spraakpatronen tegelijkertijd te verwerken en te reproduceren. Onderzoek toont aan dat het de uitspraaknauwkeurigheid, intonatie, ritme, verbonden spraak, luisterbegrip en spreekvaardigheid aanzienlijk verbetert — waardoor het een van de meest effectieve methoden is voor IELTS Speaking-voorbereiding en echte Engelse communicatie.

Shadowing-techniek: lees de volledige stap-voor-stap-gids →

Shadowing Practice: Natural Language Processing - Tokenization (NLP Zero to Hero - Part 1) - Learn English Speaking with Video

Most devs don't understand how LLM tokens work

Python3 For Pentesting - Introduction

MIT Introduction to Deep Learning | 6.S191

Why Chatbots Understand You (And Why They Don't) | NLP Explained

Tokens vs Variables in Tokens Studio for Figma | Variables Series

C1 English Listening Practice Podcast

I think AI slop is about to trigger a renaissance, actually

LangChain in 5 Minutes (Explained Clearly)

Introduction to statistical prediction models

Computational Linguistics: Crash Course Linguistics #15

Course Introduction | AZ-104 | Episode 1

We Let $200 GPT-Pro Think for 7 Days on Unsolved Math

Voor wie is deze video bedoeld?

Handige woorden en uitdrukkingen om op te slaan

Hoe de uitspraak goed te krijgen

Grammatica in deze video

Wat is de Shadowing-techniek?