Analiza tekstu z Pythonem: Praktyczny przewodnik po przetwarzaniu języka naturalnego

Opinie czytelników

Książka jest chwalona za jasny i konwersacyjny styl pisania, kompleksowe omówienie koncepcji NLP i nauki o danych oraz wartość edukacyjną. Cierpi jednak z powodu przestarzałych przykładów kodu, powtarzających się treści, błędów w druku i braku jasności w niektórych obszarach, co zmniejsza jej ogólną skuteczność jako podręcznika.

⬤ Przejrzysty i przystępny język
⬤ Wyczerpujące treści na temat NLP i nauki o danych
⬤ Wiele przykładów kodu
⬤ Bardzo polecana dla entuzjastów analizy tekstu
⬤ Dobre wyjaśnienia i przejrzysty język.

⬤ Przestarzałe przykłady kodu, które często nie działają
⬤ Powtarzające się treści w rozdziałach
⬤ Błędy w druku i grafika w skali szarości
⬤ Niektórzy czytelnicy uznali ją za nudną i zbyt rozwlekłą.

(na podstawie 11 opinii czytelników)

Oryginalny tytuł:

Text Analytics with Python: A Practitioner's Guide to Natural Language Processing

Zawartość książki:

Wykorzystaj przetwarzanie języka naturalnego (NLP) w Pythonie i dowiedz się, jak skonfigurować własne, solidne środowisko do analizy tekstu. To drugie wydanie przeszło gruntowną modernizację i wprowadza kilka znaczących zmian i nowych tematów opartych na najnowszych trendach w NLP.

Zobaczysz, jak korzystać z najnowocześniejszych frameworków NLP, w połączeniu z uczeniem maszynowym i modelami głębokiego uczenia się do nadzorowanej analizy nastrojów w Pythonie, aby rozwiązać rzeczywiste studia przypadków. Zacznij od przeglądu podstaw Pythona dla NLP na ciągach i danych tekstowych i przejdź do metod reprezentacji inżynieryjnej dla danych tekstowych, w tym zarówno tradycyjnych modeli statystycznych, jak i nowszych modeli osadzania opartych na głębokim uczeniu. Omawiane są również ulepszone techniki i nowe metody parsowania i przetwarzania tekstu.

Podsumowywanie tekstu i modele tematyczne zostały poddane przeglądowi, dzięki czemu książka pokazuje, jak budować, dostrajać i interpretować modele tematyczne w kontekście interesującego zbioru danych na temat artykułów konferencyjnych NIPS. Dodatkowo, książka obejmuje techniki podobieństwa tekstu na rzeczywistym przykładzie rekomendacji filmów, wraz z analizą nastrojów przy użyciu technik nadzorowanych i nienadzorowanych.

Istnieje również rozdział poświęcony analizie semantycznej, w którym zobaczysz, jak zbudować od podstaw własny system rozpoznawania encji nazwanych (NER). Podczas gdy ogólna struktura książki pozostaje taka sama, cała baza kodu, moduły i rozdziały zostały zaktualizowane do najnowszej wersji Pythona 3.x.

Czego się nauczysz

- Zrozumieć NLP i składnię tekstu, semantykę i strukturę - Odkryć czyszczenie tekstu i inżynierię cech - Przejrzeć klasyfikację tekstu i grupowanie tekstu - Ocenić podsumowanie tekstu i modele tematyczne - Przestudiować głębokie uczenie się dla NLP.

Dla kogo jest ta książka

Specjaliści IT, analitycy danych, programiści, eksperci językowi, naukowcy zajmujący się danymi i inżynierowie oraz w zasadzie każdy, kto jest żywo zainteresowany lingwistyką, analityką i generowaniem spostrzeżeń z danych tekstowych.