دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Anitha S. Pillai and Roberto Tedesco
سری:
ISBN (شابک) : 9781032264639, 9781003296126
ناشر: CRC Press
سال نشر: 2024
تعداد صفحات: 245
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Machine Learning and Deep Learning in 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 یادگیری ماشینی و یادگیری عمیق در 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.
پردازش زبان طبیعی (NLP) زیر شاخهای از هوش مصنوعی، زبانشناسی و علوم کامپیوتر است و به تولید، شناخت و درک زبانهای انسانی، اعم از نوشتاری و گفتاری میپردازد. سیستمهای NLP ساختار دستوری جملات و همچنین معانی خاص کلمات را بررسی میکنند و سپس از الگوریتمهایی برای استخراج معنا و تولید نتایج استفاده میکنند. هدف یادگیری ماشینی و یادگیری عمیق در پردازش زبان طبیعی، ارائه مروری بر تکنیک های شبکه عصبی فعلی در زمینه NLP، به ویژه در مورد عوامل مکالمه (چت ربات)، تبدیل متن به گفتار، مدیریت محتوای غیر تحت اللفظی - مانند احساسات، همچنین عبارات طنز - و برنامه های کاربردی در زمینه مراقبت های بهداشتی.\r\n\r\nپردازش زبان طبیعی (NLP) زیر شاخه ای از علوم کامپیوتر، مهندسی اطلاعات و هوش مصنوعی (AI) است که به پردازش محاسباتی و درک زبان های انسانی می پردازد.\r\n\r\nیادگیری ماشینی (ML) برای NLP و تجزیه و تحلیل متن شامل مجموعهای از تکنیکهای آماری برای شناسایی بخشهای گفتار، موجودیتهای نامگذاریشده، احساسات، احساسات و سایر جنبههای متن است. ML زیرمجموعهای از هوش مصنوعی است که به مطالعه الگوریتمها و روشهای آماری میپردازد که سیستمهای کامپیوتری برای انجام مؤثر یک کار خاص از آنها استفاده میکنند. ML این کار را بدون استفاده از دستورالعملهای صریح، با تکیه بر الگوها و یادگیری از مجموعه دادهها برای پیشبینی یا تصمیمگیری انجام میدهد. الگوریتم های ML به دو دسته تحت نظارت، نیمه نظارتی، یادگیری فعال، تقویتی و یادگیری بدون نظارت طبقه بندی می شوند.\r\n\r\nNLP پتانسیل تبدیل شدن به یک فناوری مخرب در زمینه های مختلف مراقبت های بهداشتی را دارد، اما تاکنون توجه کمی به این هدف شده است. هدف این کتاب ارائه چند نمونه از تکنیکهای NLP است که میتواند، برای مثال، گفتار را بازیابی کند، بیماری پارکینسون را تشخیص دهد، یا به رواندرمانگران کمک کند.\r\n\r\nاین کتاب برای مخاطبان گسترده در نظر گرفته شده است. مبتدیان فصل های مفیدی را خواهند یافت که مقدمه ای کلی بر تکنیک های NLP ارائه می دهد، در حالی که متخصصان با تجربه از فصل های مربوط به مدیریت پیشرفته احساسات، همدلی و محتوای غیر تحت اللفظی قدردانی خواهند کرد.
Natural Language Processing (NLP) is a sub-field of Artificial Intelligence, linguistics, and computer science and is concerned with the generation, recognition, and understanding of human languages, both written and spoken. NLP systems examine the grammatical structure of sentences as well as the specific meanings of words, and then they utilize algorithms to extract meaning and produce results. Machine Learning and Deep Learning in Natural Language Processing aims at providing a review of current Neural Network techniques in the NLP field, in particular about Conversational Agents (chatbots), Text-to-Speech, management of non-literal content – like emotions, but also satirical expressions – and applications in the healthcare field. Natural Language Processing (NLP) is a sub-field of Computer Science, information engineering, and Artificial Intelligence (AI) that deals with the computational processing and comprehension of human languages. Machine Learning (ML) for NLP and text analytics involves a set of statistical techniques for identifying parts of speech, named entities, sentiments, emotions, and other aspects of text. ML is a subset of AI which deals with the study of algorithms and statistical methods that computer systems use to effectively perform a specific task. ML does this without using explicit instructions, relying on patterns and learns from the dataset to make predictions or decisions. ML algorithms are classified into supervised, semi-supervised, active learning, reinforcement, and unsupervised learning. NLP has the potential to be a disruptive technology in various healthcare fields, but so far little attention has been devoted to that goal. This book aims at providing some examples of NLP techniques that can, for example, restore speech, detect Parkinson’s disease, or help psychotherapists. This book is intended for a wide audience. Beginners will find useful chapters providing a general introduction to NLP techniques, while experienced professionals will appreciate the chapters about advanced management of emotion, empathy, and non-literal content.
Cover Half Title Title Page Copyright Page Contents Preface Editors Contributors Part I: Introduction Chapter 1: Introduction to Machine Learning, Deep Learning, and Natural Language Processing Part II: Overview of Conversational Agents Chapter 2: Conversational Agents and Chatbots: Current Trends Chapter 3: Unsupervised Hierarchical Model for Deep Empathetic Conversational Agents Part III: Sentiment and Emotions Chapter 4: EMOTRON: An Expressive Text-to-Speech Part IV: Fake News and Satire Chapter 5: Distinguishing Satirical and Fake News Chapter 6: Automated Techniques for Identifying Claims and Assisting Fact Checkers Part V: Applications in Healthcare Chapter 7: Whisper Restoration Combining Real- and Source-Model Filtered Speech for Clinical and Forensic Applications Chapter 8: Analysis of Features for Machine Learning Approaches to Parkinson’s Disease Detection Chapter 9: Conversational Agents, Natural Language Processing, and Machine Learning for Psychotherapy INDEX