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 Machine Learning for Text

دانلود کتاب یادگیری ماشین برای متن

مشخصات کتاب

Machine Learning for Text

ویرایش:  
نویسندگان: Charu C. Aggarwal  
سری:  
ISBN (شابک) : 9783319735313 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 505 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 51,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 5

در صورت تبدیل فایل کتاب Machine Learning for Text 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 ماشین برای متن 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 یادگیری ماشین برای متن

تجزیه و تحلیل متن زمینه ای است که در رابط بازیابی اطلاعات، یادگیری ماشینی و پردازش زبان طبیعی قرار دارد و این کتاب درسی به دقت چارچوب سازمان یافته منسجمی را که از این موضوعات متقاطع استخراج شده است، پوشش می دهد. فصل‌های این کتاب در سه دسته سازمان‌دهی شده است: - الگوریتم‌های پایه: فصل‌های 1 تا 7 الگوریتم‌های کلاسیک یادگیری ماشین از متن مانند پیش پردازش، محاسبه شباهت، مدل‌سازی موضوع، فاکتورسازی ماتریس، خوشه‌بندی، طبقه‌بندی، رگرسیون و تجزیه و تحلیل مجموعه را مورد بحث قرار می‌دهند. . - کاوی حساس به دامنه: فصل های 8 و 9 روش های یادگیری از متن را هنگامی که با حوزه های مختلف مانند چند رسانه ای و وب ترکیب می شوند، مورد بحث قرار می دهند. مشکل بازیابی اطلاعات و جستجوی وب نیز در زمینه ارتباط آن با روش های رتبه بندی و یادگیری ماشین مورد بحث قرار می گیرد. - کاوی توالی محور: فصل های 10 تا 14 کاربردهای مختلف زبان های توالی محور و طبیعی، مانند مهندسی ویژگی، مدل های زبان عصبی، یادگیری عمیق، خلاصه سازی متن، استخراج اطلاعات، نظر کاوی، تقسیم بندی متن، و تشخیص رویداد را مورد بحث قرار می دهند. این کتاب درسی به تفصیل موضوعات یادگیری ماشینی را برای متن پوشش می دهد. از آنجایی که پوشش گسترده است، بسته به سطح دوره می توان چندین دوره را از همان کتاب ارائه داد. اگرچه ارائه متن محور است، فصل های 3 تا 7 الگوریتم های یادگیری ماشینی را پوشش می دهند که اغلب در دامنه های داخلی فراتر از داده های متنی استفاده می شوند. بنابراین، این کتاب می تواند برای ارائه دوره هایی نه تنها در تجزیه و تحلیل متن، بلکه از دیدگاه گسترده تر یادگیری ماشین (با متن به عنوان پس زمینه) استفاده شود. این کتاب درسی دانشجویان فارغ التحصیل رشته علوم کامپیوتر و همچنین محققان، اساتید و دست اندرکاران صنعتی که در این زمینه های مرتبط مشغول به کار هستند را هدف قرار می دهد. این کتاب درسی همراه با راهنمای راه حل برای تدریس در کلاس است.

توضیحاتی درمورد کتاب به خارجی

Text analytics is a field that lies on the interface of information retrieval,machine learning, and natural language processing, and this textbook carefully covers a coherently organized framework drawn from these intersecting topics. The chapters of this textbook is organized into three categories: - Basic algorithms: Chapters 1 through 7 discuss the classical algorithms for machine learning from text such as preprocessing, similarity computation, topic modeling, matrix factorization, clustering, classification, regression, and ensemble analysis. - Domain-sensitive mining: Chapters 8 and 9 discuss the learning methods from text when combined with different domains such as multimedia and the Web. The problem of information retrieval and Web search is also discussed in the context of its relationship with ranking and machine learning methods. - Sequence-centric mining: Chapters 10 through 14 discuss various sequence-centric and natural language applications, such as feature engineering, neural language models, deep learning, text summarization, information extraction, opinion mining, text segmentation, and event detection. This textbook covers machine learning topics for text in detail. Since the coverage is extensive,multiple courses can be offered from the same book, depending on course level. Even though the presentation is text-centric, Chapters 3 to 7 cover machine learning algorithms that are often used indomains beyond text data. Therefore, the book can be used to offer courses not just in text analytics but also from the broader perspective of machine learning (with text as a backdrop). This textbook targets graduate students in computer science, as well as researchers, professors, and industrial practitioners working in these related fields. This textbook is accompanied with a solution manual for classroom teaching.

فهرست مطالب

Content: Machine learning for text : an introduction --
Text preparation and similarity computation --
Matrix factorization and topic modeling --
Text clustering --
Text classification : basic models --
Linear classification and regression for text --
Classifier performance and evaluation --
Joint text mining with heterogeneous data --
Information retrieval and search engines --
Text sequence modeling and deep learning --
Text summarization --
Information extraction --
Opinion mining and sentiment analysis --
Text segmentation and event detection.