Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.
Machine Learning for Text
Ta druga edycja podręcznika obejmuje spójnie zorganizowane ramy analizy tekstu, które integrują materiał zaczerpnięty z przecinających się tematów wyszukiwania informacji, uczenia maszynowego i przetwarzania języka naturalnego. Szczególny nacisk położono na metody głębokiego uczenia się. Rozdziały tej książki obejmują trzy szerokie kategorie:1. Podstawowe algorytmy: Rozdziały od 1 do 7 omawiają klasyczne algorytmy analizy tekstu, takie jak przetwarzanie wstępne, obliczanie podobieństwa, modelowanie tematyczne, faktoryzacja macierzy, grupowanie, klasyfikacja, regresja i analiza zespołowa.
2. Uczenie się wrażliwe na dziedzinę i wyszukiwanie informacji: Rozdziały 8 i 9 omawiają modele uczenia się w heterogenicznych ustawieniach, takich jak połączenie tekstu z multimediami lub linkami internetowymi. Problem wyszukiwania informacji i wyszukiwania w sieci jest również omawiany w kontekście jego związku z rankingiem i metodami uczenia maszynowego. 3. Przetwarzanie języka naturalnego: Rozdziały od 10 do 16 omawiają różne zastosowania sekwencyjne i języka naturalnego, takie jak inżynieria cech, neuronowe modele językowe, głębokie uczenie, transformatory, wstępnie wytrenowane modele językowe, podsumowanie tekstu, ekstrakcja informacji, grafy wiedzy, odpowiadanie na pytania, eksploracja opinii, segmentacja tekstu i wykrywanie zdarzeń.
W porównaniu z pierwszym wydaniem, ta druga edycja podręcznika (skierowana głównie do zaawansowanych studentów informatyki i matematyki) zawiera znacznie więcej materiału na temat głębokiego uczenia się i przetwarzania języka naturalnego. Znaczny nacisk położono na takie tematy jak transformatory, wstępnie wytrenowane modele językowe, grafy wiedzy i odpowiadanie na pytania.
