Applied Text Analysis with Python: Umożliwienie tworzenia produktów danych z uwzględnieniem języka dzięki uczeniu maszynowemu

Opinie czytelników

Książka stanowi kompleksowe i praktyczne wprowadzenie do przetwarzania języka naturalnego (NLP), oferując cenne spostrzeżenia i praktyczne przykłady dla tych, którzy chcą zaangażować się w ten temat. Chociaż jest dobrze odbierana przez doświadczonych programistów i praktyków, może stanowić wyzwanie dla początkujących ze względu na swoją złożoność i zależność od kodowania. Niektórzy czytelnicy uznają niektóre przykłady kodu za frustrujące i nie od razu funkcjonalne.

** Bardzo polecana ze względu na kompleksowe wprowadzenie do koncepcji NLP. ** Zwięzły i praktyczny, dzięki czemu jest łatwy do przeczytania od początku do końca. ** Dobre omówienie aktualnych metodologii i bibliotek NLP, w tym praktycznych zastosowań. ** Służy jako przydatne źródło informacji dla doświadczonych programistów i praktyków w tej dziedzinie.

** Przykłady kodu często nie działają od razu, wymagając modyfikacji. ** Brak wystarczających wyjaśnień dla początkujących, co utrudnia pracę mniej doświadczonym programistom. ** Nie funkcjonuje dobrze jako odniesienie ze względu na kumulatywny styl budowania. ** Niedostępna dla Kindle Cloud Reader, co ogranicza dostęp dla niektórych użytkowników.

(na podstawie 14 opinii czytelników)

Oryginalny tytuł:

Applied Text Analysis with Python: Enabling Language-Aware Data Products with Machine Learning

Zawartość książki:

Od wiadomości i przemówień po nieformalne rozmowy w mediach społecznościowych, język naturalny jest jednym z najbogatszych i najbardziej niewykorzystanych źródeł danych. Nie tylko pojawia się w ciągłym strumieniu, zawsze zmieniając się i dostosowując do kontekstu, ale także zawiera informacje, które nie są przekazywane przez tradycyjne źródła danych.

Kluczem do odblokowania języka naturalnego jest kreatywne zastosowanie analizy tekstu. Ta praktyczna książka przedstawia podejście analityka danych do tworzenia produktów świadomych języka za pomocą stosowanego uczenia maszynowego. Poznasz solidne, powtarzalne i skalowalne techniki analizy tekstu w Pythonie, w tym inżynierię cech kontekstowych i językowych, wektoryzację, klasyfikację, modelowanie tematów, rozwiązywanie encji, analizę grafów i sterowanie wizualne.

Pod koniec książki będziesz wyposażony w praktyczne metody rozwiązywania dowolnej liczby złożonych problemów w świecie rzeczywistym. Wstępnie przetwarzać i wektoryzować tekst w wysokowymiarowe reprezentacje cech.

Przeprowadzać klasyfikację dokumentów i modelowanie tematyczne. Sterowanie procesem wyboru modelu za pomocą diagnostyki wizualnej. Wyodrębnianie kluczowych fraz, nazwanych jednostek i struktur grafowych w celu wnioskowania o danych w tekście.

Zbuduj strukturę dialogową, aby umożliwić chatbotom i interakcję opartą na języku. Wykorzystaj Spark do skalowania mocy obliczeniowej i sieci neuronowe do skalowania złożoności modelu.