Ocena:
Książka została dobrze przyjęta przez niektórych czytelników ze względu na jasne wyjaśnienia i przyjazną dla początkujących strukturę, szczególnie dla osób z podstawową wiedzą programistyczną. Jednak spotkała się również z krytyką za przestarzałość, błędy i brak głębi w ważnych tematach.
Zalety:⬤ Dobrze zorganizowana treść, która upraszcza złożone koncepcje
⬤ powiązane przykłady
⬤ odpowiednie dla początkujących z podstawowymi umiejętnościami programowania
⬤ pomocne w zdobywaniu wiedzy na temat technik NLP.
⬤ Przestarzała treść wykorzystująca Pythona
⬤ 7
⬤ wiele błędów i pomyłek
⬤ niektóre sekcje postrzegane jako bezużyteczne
⬤ ważne tematy, takie jak parsery i NER, nie zostały odpowiednio wyjaśnione.
(na podstawie 5 opinii czytelników)
Python Natural Language Processing: Advanced machine learning and deep learning techniques for natural language processing
Wykorzystaj moc uczenia maszynowego i głębokiego uczenia, aby wydobyć informacje z danych tekstowych
Kluczowe cechy
⬤ Wdrożenie technik uczenia maszynowego i głębokiego uczenia w celu wydajnego przetwarzania języka naturalnego.
⬤ Rozpocznij pracę z NLTK i z łatwością zaimplementuj NLP w swoich aplikacjach.
⬤ Zrozumieć i zinterpretować ludzkie języki z mocą analizy tekstu za pomocą Pythona.
Opis książki
Ta książka zaczyna się od położenia fundamentów pod przetwarzanie języka naturalnego i dlaczego Python jest jedną z najlepszych opcji do zbudowania systemu eksperckiego opartego na NLP z takimi zaletami, jak wsparcie społeczności, dostępność frameworków i tak dalej. Później daje lepsze zrozumienie dostępnych bezpłatnych form korpusów i różnych typów zbiorów danych. Następnie dowiesz się, jak wybrać zbiór danych dla aplikacji przetwarzania języka naturalnego i znaleźć odpowiednie techniki NLP do przetwarzania zdań w zbiorach danych i zrozumienia ich struktury. Dowiesz się również, jak tokenizować różne części zdań i jak je analizować.
W trakcie lektury tej książki poznasz zarówno semantyczną, jak i syntaktyczną analizę tekstu. Zrozumiesz, jak rozwiązywać różne niejednoznaczności w przetwarzaniu ludzkiego języka i napotkasz różne scenariusze podczas przeprowadzania analizy tekstu.
Poznasz podstawy przygotowania środowiska do przetwarzania języka naturalnego, przejdziesz do wstępnej konfiguracji, a następnie szybko zrozumiesz zdania i części języka. Poznasz moc uczenia maszynowego i głębokiego uczenia w celu wydobywania informacji z danych tekstowych.
Pod koniec książki będziesz miał jasne zrozumienie przetwarzania języka naturalnego i będziesz pracował nad wieloma przykładami, które implementują NLP w prawdziwym świecie.
Czego się nauczysz
⬤ Skupić się na paradygmatach programowania w Pythonie, które są wykorzystywane do tworzenia aplikacji NLP.
⬤ Zrozumieć analizę korpusu i różne typy atrybutów danych.
⬤ Uczyć się NLP przy użyciu bibliotek Pythona, takich jak NLTK, Polyglot, SpaCy, Standford CoreNLP i tak dalej.
⬤ Zapoznanie się z ekstrakcją i selekcją cech w ramach inżynierii cech.
⬤ Poznaj zalety wektoryzacji w uczeniu głębokim.
⬤ Lepsze zrozumienie architektury systemu opartego na regułach.
⬤ Optymalizacja i dostrajanie nadzorowanych i nienadzorowanych algorytmów uczenia maszynowego dla problemów NLP.
⬤ Zidentyfikować techniki głębokiego uczenia dla problemów przetwarzania języka naturalnego i generowania języka naturalnego.