مشخصات کتاب

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

ویرایش:  
نویسندگان: Taweh Beysolow II  
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 

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

کتاب های تصادفی

دانلود کتاب The difficulty of being good

دانلود کتاب Sparta Between Empire and Revolution (404-243 B.C.): Internal Problems and Their Impact on Contemporary Greek Consciousness

دانلود کتاب Modern Middle East Authoritarianism: Roots, Ramifications, and Crisis

دانلود کتاب Implementing RTI with English Learners

دانلود کتاب Medieval Anchoritisms Gender, Space and the Solitary Life