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. Amber Stubbs
سری:
ISBN (شابک) : 9781449306663
ناشر: O'Reilly Media
سال نشر: 2012
تعداد صفحات: 97
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 Natural Language Annotation for Machine Learning: A Guide to Corpus-Building for Applications 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: راهنمایی برای ساخت و ساز در برنامه ها 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. این کتاب نمونه محور شما را در چرخه حاشیه نویسی، از انتخاب یک کار حاشیه نویسی و ایجاد مشخصات حاشیه نویسی گرفته تا طراحی دستورالعمل ها، ایجاد یک مجموعه «استاندارد طلایی» و سپس شروع ایجاد داده های واقعی با فرآیند حاشیه نویسی، راهنمایی می کند. سیستم هایی برای تجزیه و تحلیل پیکره های موجود وجود دارد، اما ساخت یک پیکره جدید می تواند بسیار پیچیده باشد. برای کمک به ایجاد پایه ای برای اهداف یادگیری ماشینی خود، این راهنمای کاربردی آسان شامل مطالعات موردی است که چهار کار مختلف حاشیه نویسی را با جزئیات نشان می دهد. همچنین یاد خواهید گرفت که چگونه از یک بسته نرم افزاری سبک برای حاشیه نویسی متون و قضاوت حاشیه نویسی استفاده کنید.
Create your own natural language training corpus for machine learning. This example-driven book walks you through the annotation cycle, from selecting an annotation task and creating the annotation specification to designing the guidelines, creating a "gold standard" corpus, and then beginning the actual data creation with the annotation process. Systems exist for analyzing existing corpora, but making a new corpus can be extremely complex. To help you build a foundation for your own machine learning goals, this easy-to-use guide includes case studies that demonstrate four different annotation tasks in detail. You'll also learn how to use a lightweight software package for annotating texts and adjudicating the annotations.