التقسيم عند المسافات البيضاء وحدوده
متى يفشل التقسيم الساذج
التقسيم عند المسافات البيضاء وحدوده درس مجاني في NLP Academy على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في NLP Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة NLP Academy 4 دروس في المجموع.
بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.
The Simplest Tokenizer
The easiest way to tokenize is to split on spaces. Python's split() method does exactly that with zero setup. ✂️
text = "I love cats"
print(text.split()) # ['I', 'love', 'cats']How split() Works
Called with no arguments, split() breaks on any run of whitespace: spaces, tabs, or newlines. Empty gaps are ignored automatically.
Good Enough Sometimes
For clean, simple sentences, whitespace splitting is fast and good enough. It is a fine first step while you are learning the basics.
Punctuation Sticks
Here is the first crack: punctuation glues to words. Splitting cats! gives cats! as one token, not the clean word cats you wanted.
print("I love cats!".split()) # ['I', 'love', 'cats!']Same Word, Different Token
Now cats and cats! count as two different tokens. Your word counts split apart, and that quietly corrupts every later measurement.
Contractions Break
Whitespace splitting keeps don't as one piece. It cannot see the hidden not inside, so negation gets lost completely.
Hyphens Confuse It
A word like state-of-the-art stays glued as a single token. Sometimes that is right, but split() gives you no choice in the matter.
No Space, No Split
Many languages, like Chinese, write without spaces between words. Here whitespace splitting fails entirely, handing back one giant token.
Case Still Lingers
Splitting alone keeps Cats and cats apart because of the capital. Whitespace splitting does no normalization for you at all.
Why It Matters
These cracks add up. Dirty tokens mean wrong counts, and wrong counts mean a weaker model later in your pipeline.
The Path Forward
Whitespace splitting is a great teacher but a poor finish. Real projects reach for a proper tokenizer that handles these edge cases.
Quick Check
Spot the weakness of naive splitting.
Recap
Whitespace split() is simple and fast, but it glues punctuation, misses contractions, and fails without spaces. Great to learn, not enough to ship.
الأسئلة الشائعة
هل درس «التقسيم عند المسافات البيضاء وحدوده» مجاني؟
نعم — نص درس «التقسيم عند المسافات البيضاء وحدوده» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة NLP Academy، انتقل إلى CoddyKit PRO. تتضمن دورة NLP Academy 4 دروس في المجموع.
ماذا ستتعلم في «التقسيم عند المسافات البيضاء وحدوده»؟
متى يفشل التقسيم الساذج تتمرن على NLP Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ NLP Academy؟
لا تُشترط خبرة سابقة. NLP Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.
كم من الوقت يستغرق درس «التقسيم عند المسافات البيضاء وحدوده»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس NLP Academy هذا؟
نعم. كل درس في NLP Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- ما الرمز المميّز فعلًا؟
- التقسيم عند المسافات البيضاء وحدوده
- أساسيات تقسيم الجمل
- تقسيم النص إلى رموز باستخدام NLTK