دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب ADVANCED NATURAL LANGUAGE PROCESSING WITH TENSORFLOW 2: Build Real-world Effective Nlp... Applications Using Ner, Rnns, Seq2seq Models, Tran
دانلود کتاب پردازش زبان طبیعی پیشرفته با TENSORFLOW 2: ساخت Nlp موثر در دنیای واقعی... برنامه های کاربردی با استفاده از Ner، Rnns، Seq2seq Models، Tran
مشخصات کتاب
ADVANCED NATURAL LANGUAGE PROCESSING WITH TENSORFLOW 2: Build Real-world Effective Nlp... Applications Using Ner, Rnns, Seq2seq Models, Tran
ویرایش:
نویسندگان: ASHISH. BANSAL
سری:
ISBN (شابک) : 1800200935, 9781800200937
ناشر: Packt Publishing Limited
سال نشر: 2021
تعداد صفحات: 381
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
قیمت کتاب (تومان) : 69,000
در صورت تبدیل فایل کتاب ADVANCED NATURAL LANGUAGE PROCESSING WITH TENSORFLOW 2: Build Real-world Effective Nlp... Applications Using Ner, Rnns, Seq2seq Models, Tran به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پردازش زبان طبیعی پیشرفته با TENSORFLOW 2: ساخت Nlp موثر در دنیای واقعی... برنامه های کاربردی با استفاده از Ner، Rnns، Seq2seq Models، Tran نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب پردازش زبان طبیعی پیشرفته با TENSORFLOW 2: ساخت Nlp موثر در دنیای واقعی... برنامه های کاربردی با استفاده از Ner، Rnns، Seq2seq Models، Tran
راه حل یک مرحله ای برای پزشکان NLP، توسعه دهندگان ML و دانشمندان داده برای ساختن سیستم های NLP موثر که می توانند وظایف پیچیده دنیای واقعی را انجام دهند ویژگی های کلیدی پیاده سازی الگوریتم های یادگیری عمیق مانند BiLSTMS، CRFs و بسیاری دیگر با استفاده از TensorFlow 2 کاوش تکنیک ها و کتابخانه های NLP کلاسیک از جمله برچسبگذاری بخشهای گفتار و نشانهگذاری کاربردهای عملی NLP را بیاموزید که پیشانیهای حوزه را پوشش میدهد، مانند تجزیه و تحلیل احساسات و تولید متن شرح کتاب در چند سال گذشته، پیشرفتهای فوقالعادهای در پردازش زبان طبیعی صورت گرفته است، و ما اکنون در حال حرکت هستیم. از آزمایشگاه های تحقیقاتی به کاربردهای عملی. پردازش زبان طبیعی پیشرفته با ترکیبی عالی از هر دو جنبه نظری و عملی تکنیک های ترند و پیچیده NLP ارائه می شود. این کتاب بر روی کاربردهای نوآورانه در زمینه NLP، تولید زبان و سیستم های گفتگو متمرکز شده است. این به جزئیات کاربرد مفاهیم پیشپردازش متن با استفاده از تکنیکهایی مانند نشانهگذاری، بخشهایی از برچسبگذاری گفتار و واژهسازی با استفاده از کتابخانههای محبوب مانند Stanford NLP و SpaCy میپردازد. با نام Entity Recognition (NER)، سنگ بنای ربات های وظیفه گرا، از ابتدا با استفاده از فیلدهای تصادفی شرطی و رمزگشایی Viterbi در بالای RNN ساخته شده است. با نگاهی کاربردی و متمرکز بر کاربرد، این کتاب حوزههای نوظهور کلیدی مانند تولید متن برای استفاده در تکمیل جملات و خلاصهسازی متن، پل زدن تصاویر و متن با ایجاد زیرنویس برای تصاویر و مدیریت جنبههای گفتگوی طراحی چت بات را پوشش میدهد. همچنین یکی از مهمترین دلایل پیشرفتهای اخیر در NLP را پوشش میدهد - استفاده از یادگیری انتقال و تنظیم دقیق با استفاده از TensorFlow 2. علاوه بر این، تکنیکهای عملی را پوشش میدهد که میتوانند برچسبگذاری دادههای متنی را ساده کنند که در غیر این صورت ثابت میشود که یک امر پرهزینه است. این کتاب همچنین یک کد کار برای هر قطعه فنی دارد تا بتوانید آنها را با موارد استفاده خود تطبیق دهید. در پایان این کتاب TensorFlow، دانش پیشرفته ای از ابزارها، تکنیک ها و معماری یادگیری عمیق مورد استفاده برای حل مسائل پیچیده NLP خواهید داشت. آنچه یاد خواهید گرفت مراحل اولیه مهم در ساخت برنامههای NLP مانند برچسبگذاری POS را درک کنید. با مقادیر زیادی مجموعه داده بدون برچسب و برچسب کوچک در NLP از انتقال و یادگیری با نظارت ضعیف با استفاده از کتابخانههایی مانند Snorkel استفاده کنید. جستجوی پرتو برای خلاصهسازی متن از مدلهای ترانسفورماتور با توجه برای کنار هم قرار دادن تصاویر و متن استفاده کنید تا برنامههایی بسازید که شرحها ایجاد میکنند و به سؤالات مربوط به تصاویر پاسخ میدهند از تکنیکهای پیشرفته TensorFlow مانند بازپخت نرخ یادگیری، لایههای سفارشی و توابع از دست دادن سفارشی برای ساخت جدیدترین مدلهای عمیق NLP استفاده کنید. این کتاب برای این کتاب مقدماتی نیست و فرض میکند که خواننده با مبانی NLP آشنا است و مهارتهای اساسی پایتون و همچنین دانش اولیه یادگیری ماشین و حساب دیفرانسیل و انتگرال در سطح کارشناسی و جبر خطی را دارد. خوانندگانی که می توانند از این کتاب بیشترین بهره را ببرند عبارتند از: توسعه دهندگان ML متوسط که با اصول یادگیری نظارت شده و تکنیک های یادگیری عمیق آشنا هستند.
توضیحاتی درمورد کتاب به خارجی
One-stop solution for NLP practitioners, ML developers and data scientists to build effective NLP systems that can perform real-world complicated tasks Key Features Implement deep learning algorithms such as BiLSTMS, CRFs, and many more using TensorFlow 2 Explore classical NLP techniques and libraries including parts-of-speech tagging and tokenization Learn practical applications of NLP covering the forefronts of the field like sentiment analysis and generating text Book Description In the last couple of years, there have been tremendous advances in natural language processing, and we are now moving from research labs into practical applications. Advanced Natural Language Processing comes with a perfect blend of both the theoretical and practical aspects of trending and complex NLP techniques. This book is focused on innovative applications in the field of NLP, language generation, and dialogue systems. It goes into the details of applying the concepts of text pre-processing using techniques such as tokenization, parts of speech tagging, and lemmatization using popular libraries such as Stanford NLP and SpaCy. Named Entity Recognition (NER), a cornerstone of task-oriented bots, is built from scratch using Conditional Random Fields and Viterbi Decoding on top of RNNs. Taking a practical and application-focused perspective, the book covers key emerging areas such as generating text for use in sentence completion and text summarization, bridging images and text by generating captions for images, and managing dialogue aspects of chatbot design. It also covers one of the most important reasons behind recent advances in NLP - applying transfer learning and fine-tuning using TensorFlow 2. Further, it covers practical techniques that can simplify the labelling of textual data which otherwise proves to be a costly affair. The book also has a working code for each tech piece so that you can adapt them to your use cases. By the end of this TensorFlow book, you will have an advanced knowledge of the tools, techniques and deep learning architecture used to solve complex NLP problems. What You Will Learn Grasp important pre-steps in building NLP applications like POS tagging Deal with vast amounts of unlabeled and small labelled Datasets in NLP Use transfer and weakly supervised learning using libraries like Snorkel Perform sentiment analysis using BERT Apply encoder-decoder NN architectures and beam search for summarizing text Use transformer models with attention to bring images and text together Build applications that generate captions and answer questions about images Use advanced TensorFlow techniques like learning rate annealing, custom layers, and custom loss functions to build the latest deep NLP models Who this book is for This is not an introductory book and assumes the reader is familiar with basics of NLP and has fundamental Python skills, as well as basic knowledge of machine learning and undergraduate-level calculus and linear algebra. The readers who can benefit the most from this book include: Intermediate ML developers who are familiar with the basics of supervised learning and deep learning techniques Professionals who already use TensorFlow/Python for purposes such as data science, ML, research, and analysis
فهرست مطالب
Cover Copyright Packt Page Contributors Table of Contents Preface Chapter 1: Essentials of NLP A typical text processing workflow Data collection and labeling Collecting labeled data Development environment setup Enabling GPUs on Google Colab Text normalization Modeling normalized data Tokenization Segmentation in Japanese Modeling tokenized data Stop word removal Modeling data with stop words removed Part-of-speech tagging Modeling data with POS tagging Stemming and lemmatization Vectorizing text Count-based vectorization Modeling after count-based vectorization Term Frequency-Inverse Document Frequency (TF-IDF) Modeling using TF-IDF features Word vectors Pretrained models using Word2Vec embeddings Summary Chapter 2: Understanding Sentiment in Natural Language with BiLSTMs Natural language understanding Bi-directional LSTMs – BiLSTMs RNN building blocks Long short-term memory (LSTM) networks Gated recurrent units (GRUs) Sentiment classification with LSTMs Loading the data Normalization and vectorization LSTM model with embeddings BiLSTM model Summary Chapter 3: Named Entity Recognition (NER) with BiLSTMs, CRFs, and Viterbi Decoding Named Entity Recognition The GMB data set Loading the data Normalizing and vectorizing data A BiLSTM model Conditional random fields (CRFs) NER with BiLSTM and CRFs Implementing the custom CRF layer, loss, and model A custom CRF model A custom loss function for NER using a CRF Implementing custom training Viterbi decoding The probability of the first word label Summary Chapter 4: Transfer Learning with BERT Transfer learning overview Types of transfer learning Domain adaptation Multi-task learning Sequential learning IMDb sentiment analysis with GloVe embeddings GloVe embeddings Loading IMDb training data Loading pre-trained GloVe embeddings Creating a pre-trained embedding matrix using GloVe Feature extraction model Fine-tuning model BERT-based transfer learning Encoder-decoder networks Attention model Transformer model The bidirectional encoder representations from transformers (BERT) model Tokenization and normalization with BERT Pre-built BERT classification model Custom model with BERT Summary Chapter 5: Generating Text with RNNs and GPT-2 Generating text – one character at a time Data loading and pre-processing Data normalization and tokenization Training the model Implementing learning rate decay as custom callback Generating text with greedy search Generative Pre-Training (GPT-2) model Generating text with GPT-2 Summary Chapter 6: Text Summarization with Seq2seq Attention and Transformer Networks Overview of text summarization Data loading and pre-processing Data tokenization and vectorization Seq2seq model with attention Encoder model Bahdanau attention layer Decoder model Training the model Generating summaries Greedy search Beam search Decoding penalties with beam search Evaluating summaries ROUGE metric evaluation Summarization – state of the art Summary Chapter 7: Multi-Modal Networks and Image Captioning with ResNets and Transformer Networks Multi-modal deep learning Vision and language tasks Image captioning MS-COCO dataset for image captioning Image processing with CNNs and ResNet50 CNNs Convolutions Pooling Regularization with dropout Residual connections and ResNets Image feature extraction with ResNet50 The Transformer model Positional encoding and masks Scaled dot-product and multi-head attention VisualEncoder Decoder Transformer Training the Transformer model with VisualEncoder Loading training data Instantiating the Transformer model Custom learning rate schedule Loss and metrics Checkpoints and masks Custom training Generating captions Improving performance and state-of-the-art models Summary Chapter 8: Weakly Supervised Learning for Classification with Snorkel Weak supervision Inner workings of weak supervision with labeling functions Using weakly supervised labels to improve IMDb sentiment analysis Pre-processing the IMDb dataset Learning a subword tokenizer A BiLSTM baseline model Tokenization and vectorizing data Training using a BiLSTM model Weakly supervised labeling with Snorkel Iterating on labeling functions Naïve-Bayes model for finding keywords Evaluating weakly supervised labels on the training set Generating unsupervised labels for unlabeled data Training BiLSTM on weakly supervised data from Snorkel Summary Chapter 9: Building Conversational AI Applications with Deep Learning Overview of conversational agents Task-oriented or slot-filling systems Question-answering and MRC conversational agents General conversational agents Summary Epilogue Installation and Setup Instructions for Code GitHub location Chapter 1 installation instructions Chapter 2 installation instructions Chapter 3 installation instructions Chapter 4 installation instructions Chapter 5 installation instructions Chapter 6 installation instructions Chapter 7 installation instructions Chapter 8 installation instructions Chapter 9 installation instructions Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Social Dimensions Of Privacy: Interdisciplinary Perspectives
دانلود کتاب t-Rings and Wreath Product Representations
دانلود کتاب Rotor DC Current Measurement by Using Standard Current Transformers
دانلود کتاب Nanoneuroscience: Structural and Functional Roles of the Neuronal Cytoskeleton in Health and Disease
