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: James Pustejovsky
سری:
ISBN (شابک) : 9781449307646
ناشر: O'Reilly Media
سال نشر: 2012
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Natural Language Annotation for Machine Learning 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 حاشیه نویسی زبان طبیعی برای یادگیری ماشینی 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.
مجموعه آموزش زبان طبیعی خود را برای یادگیری ماشین ایجاد کنید. فرقی نمیکند با انگلیسی، چینی یا هر زبان طبیعی دیگری کار میکنید، این کتاب عملی شما را از طریق یک چرخه توسعه حاشیهنویسی اثبات شده راهنمایی میکند - فرآیند افزودن ابرداده به مجموعه آموزشی خود برای کمک به الگوریتمهای ML کارآمدتر. برای شروع به هیچ گونه تجربه برنامه نویسی یا زبان شناسی نیاز ندارید.
با استفاده از مثال های دقیق در هر مرحله، می آموزید که چگونه فرایند توسعه حاشیه نویسی MATTER به شما کمک می کند مدل سازی، حاشیه نویسی کنید. ، مجموعه آموزشی خود را آموزش دهید، آزمایش کنید، ارزیابی کنید و تجدید نظر کنید. شما همچنین یک پروژه حاشیه نویسی در دنیای واقعی را به طور کامل به دست می آورید.
Create your own natural language training corpus for machine learning. Whether you're working with English, Chinese, or any other natural language, this hands-on book guides you through a proven annotation development cycle—the process of adding metadata to your training corpus to help ML algorithms work more efficiently. You don't need any programming or linguistics experience to get started.
Using detailed examples at every step, you'll learn how the MATTER Annotation Development Process helps you Model, Annotate, Train, Test, Evaluate, and Revise your training corpus. You also get a complete walkthrough of a real-world annotation project.