ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Applied Natural Language Processing with Python. Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing

دانلود کتاب پردازش زبان طبیعی کاربردی با پایتون پیاده سازی الگوریتم های یادگیری ماشینی و یادگیری عمیق برای پردازش زبان طبیعی

Applied Natural Language Processing with Python. Implementing Machine  Learning and Deep Learning  Algorithms for Natural Language Processing

مشخصات کتاب

Applied Natural Language Processing with Python. Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781484237335 
ناشر: Apress 
سال نشر: 2018 
تعداد صفحات: 153 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 34,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Applied Natural Language Processing with Python. Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing 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 کاربردی با پایتون پیاده سازی الگوریتم های یادگیری ماشینی و یادگیری عمیق برای پردازش زبان طبیعی 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 کاربردی با پایتون پیاده سازی الگوریتم های یادگیری ماشینی و یادگیری عمیق برای پردازش زبان طبیعی

یاد بگیرید که از قدرت هوش مصنوعی برای پردازش زبان طبیعی، انجام کارهایی مانند بررسی املا، خلاصه سازی متن، طبقه بندی اسناد و تولید زبان طبیعی استفاده کنید. در طول مسیر، مهارت های پیاده سازی این روش ها را در زیرساخت های بزرگتر برای جایگزینی کدهای موجود یا ایجاد الگوریتم های جدید یاد خواهید گرفت. پردازش زبان طبیعی کاربردی با پایتون با مرور مفاهیم یادگیری ماشین لازم قبل از بحث در مورد مسائل مختلف NLP شروع می شود. پس از مطالعه این کتاب، مهارت های لازم برای به کارگیری این مفاهیم را در محیط حرفه ای خود خواهید داشت. آنچه خواهید آموخت استفاده از کتابخانه های مختلف یادگیری ماشین و پردازش زبان طبیعی مانند TensorFlow، Keras، NLTK و Gensim داده های متن خام را دستکاری و پیش پردازش در قالب هایی مانند txt. و .pdf. مهارت های خود را در علم داده با یادگیری هر دو نظریه و استفاده از الگوریتم‌های مختلف Who This Book Is For You باید حداقل در ML مبتدی باشید تا از این متن حداکثر استفاده را ببرید، اما نیازی نیست احساس کنید که برای درک محتوا نیاز به یک متخصص دارید.


توضیحاتی درمورد کتاب به خارجی

Learn to harness the power of AI for natural language processing, performing tasks such as spell check, text summarization, document classification, and natural language generation. Along the way, you will learn the skills to implement these methods in larger infrastructures to replace existing code or create new algorithms. Applied Natural Language Processing with Python starts with reviewing the necessary machine learning concepts before moving onto discussing various NLP problems. After reading this book, you will have the skills to apply these concepts in your own professional environment. What You Will Learn Utilize various machine learning and natural language processing libraries such as TensorFlow, Keras, NLTK, and Gensim Manipulate and preprocess raw text data in formats such as .txt and .pdf Strengthen your skills in data science by learning both the theory and the application of various algorithms Who This Book Is For You should be at least a beginner in ML to get the most out of this text, but you needn’t feel that you need be an expert to understand the content.



فهرست مطالب

Table of Contents......Page 5
About the Author......Page 8
About the Technical Reviewer......Page 9
Acknowledgments......Page 10
Introduction......Page 11
Chapter 1: What Is Natural Language Processing?......Page 12
The History of Natural Language Processing......Page 13
TensorFlow......Page 15
Keras......Page 18
Theano......Page 19
Word Embeddings......Page 21
Language Modeling Tasks Involving RNNs......Page 22
Summary......Page 23
Multilayer Perceptrons and Recurrent Neural Networks......Page 24
Toy Example 1: Modeling Stock Returns with the MLP Model......Page 26
Learning Rate......Page 31
Vanishing Gradients and Why ReLU Helps to Prevent Them......Page 38
Loss Functions and Backpropagation......Page 40
Recurrent Neural Networks and Long Short-Term Memory......Page 41
Toy Example 2: Modeling Stock Returns with the RNN Model......Page 43
Toy Example 3: Modeling Stock Returns with the LSTM Model......Page 51
Summary......Page 52
Chapter 3: Working with  Raw Text......Page 54
Tokenization and Stop Words......Page 55
The Bag-of-Words Model (BoW)......Page 61
CountVectorizer......Page 62
Example Problem 1: Spam Detection......Page 64
Term Frequency Inverse Document Frequency......Page 68
Example Problem 2: Classifying Movie Reviews......Page 73
Summary......Page 85
Topic Model and Latent Dirichlet Allocation (LDA)......Page 87
Topic Modeling with LDA on Movie Review Data......Page 91
Non-Negative Matrix Factorization (NMF)......Page 96
Word2Vec......Page 100
Example Problem 4.2: Training a Word Embedding (Skip-Gram)......Page 104
Continuous Bag-of-Words (CBoW)......Page 113
Example Problem 4.2: Training a Word Embedding (CBoW)......Page 115
Global Vectors for Word Representation (GloVe)......Page 116
Example Problem 4.4: Using Trained Word Embeddings with LSTMs......Page 121
Paragraph2Vec: Distributed Memory of Paragraph Vectors (PV-DM)......Page 125
Example Problem 4.5: Paragraph2Vec Example with Movie Review Data......Page 126
Summary......Page 128
Chapter 5: Text Generation, Machine Translation, and Other Recurrent Language Modeling Tasks......Page 130
Text Generation with LSTMs......Page 131
Bidirectional RNNs (BRNN)......Page 135
Creating a Name Entity Recognition Tagger......Page 137
Sequence-to-Sequence Models (Seq2Seq)......Page 142
Question and Answer with Neural Network Models......Page 143
Summary......Page 150
Conclusion and Final Statements......Page 151
Index......Page 153




نظرات کاربران