NLP ile doğal dil araç seti NLTK kullanılarak cümlenin ögeleri (özne, yüklem, nesne, zarf vb.) bulunabilir. 

Kullanımı için "nltk" modülü içe aktarılmalıdır.

import nltk

Ayrıca "averaged_perceptron_tagger" paketinin de indirilmesi gerekmektedir. 

nltk.download("averaged_perceptron_tagger")

İşlem adımları olarak;

• Ögelerine ayrılacak olan cümleye tokenize işlemi uygulanır.
• Tokenize işlemi uygulanan cümle pos_tag() komudu ile çalıştırılır.
• Aşağıda bulunan tablo halinde her kelime karşısında ilgili kelimenin cümlede hangi ögeyi temsil ettiği gösterilecektir.

  Kısaltması	Açıklaması
  CC	Coordinating conjunction
  CD	Cardinal number
  DT	Determiner
  EX	Existential there
  FW	Foreign word
  IN	Preposition or subordinating conjunction
  JJ	Adjective
  JJR	Adjective, comparative
  JJS	Adjective, superlative
  LS	List item marker
  MD	Modal
  NN	Noun, singular or mass
  NNS	Noun, plural
  NNP	Proper noun, singular
  NNPS	Proper noun, plural
  PDT	Predeterminer
  POS	Possessive ending
  PRP	Personal pronoun
  PRP$	Possessive pronoun
  RB	Adverb
  RBR	Adverb, comparative
  RBS	Adverb, superlative
  RP	Particle
  SYM	Symbol
  TO	to
  UH	Interjection
  VB	Verb, base form
  VBD	Verb, past tense
  VBG	Verb, gerund or present participle
  VBN	Verb, past participle
  VBP	Verb, non-3rd person singular present
  VBZ	Verb, 3rd person singular present
  WDT	Wh-determiner
  WP	Wh-pronoun
  WP$	Possessive wh-pronoun
  WRB	Wh-adverb

   ** Liste hakkında daha detaylı bilgi almak için; aşağıdaki komutları kullanabilirsiniz.

  #tagsets indir
  nltk.download('tagsets')
  #tagset bigi
  nltk.help.upenn_tagset()

Örnek-1: İngilizce bir cümlenin ögelerini bulalım.

#ilgili kütüphaneler içe aktarılır.
import nltk
from nltk.tokenize import word_tokenize 

#Cümle ataması yapıldı
text="The goal of machine learning is to understand the structure of data and fit that data into models that humans can understand and use."

#tokenize işlemi yapıldı
text_tokenize=word_tokenize(text)

nltk.pos_tag(text_tokenize)

Çıktı:

[('The', 'DT'),
 ('goal', 'NN'),
 ('of', 'IN'),
 ('machine', 'NN'),
 ('learning', 'NN'),
 ('is', 'VBZ'),
 ('to', 'TO'),
 ('understand', 'VB'),
 ('the', 'DT'),
 ('structure', 'NN'),
 ('of', 'IN'),
 ('data', 'NNS'),
 ('and', 'CC'),
 ('fit', 'NN'),
 ('that', 'WDT'),
 ('data', 'VBZ'),
 ('into', 'IN'),
 ('models', 'NNS'),
 ('that', 'IN'),
 ('humans', 'NNS'),
 ('can', 'MD'),
 ('understand', 'VB'),
 ('and', 'CC'),
 ('use', 'VB'),
 ('.', '.')]

Örnek-2: Türkçe bir cümlenin ögelerini bulalım.

#ilgili kütüphaneler içe aktarılır.
import nltk
from nltk.tokenize import word_tokenize 

#Cümle ataması yapıldı
text="Makine öğrenmesinin amacı; verilerin yapısını anlamak ve bu verileri insanların anlayabileceği ve kullanabileceği modellere sığdırmaktır."

#tokenize işlemi yapıldı
text_tokenize=word_tokenize(text)

nltk.pos_tag(text_tokenize)

Çıktı:

[('Makine', 'NNP'),
 ('öğrenmesinin', 'NNP'),
 ('amacı', 'NN'),
 (';', ':'),
 ('verilerin', 'CC'),
 ('yapısını', 'VB'),
 ('anlamak', 'JJ'),
 ('ve', 'NN'),
 ('bu', 'NN'),
 ('verileri', 'NN'),
 ('insanların', 'NN'),
 ('anlayabileceği', 'NN'),
 ('ve', 'NN'),
 ('kullanabileceği', 'NN'),
 ('modellere', 'RB'),
 ('sığdırmaktır', 'RB'),
 ('.', '.')]