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: Bhargav Srinivasa-Desikan
سری:
ISBN (شابک) : 9781788838535
ناشر: Packt
سال نشر: 2018
تعداد صفحات: 298
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
در صورت تبدیل فایل کتاب Natural Language Processing and Computational Linguistics. A practical Guide to Text Analysis with Python, Gensim, spaCy and Keras 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 و زبانشناسی محاسباتی. یک راهنمای عملی برای تجزیه و تحلیل متن با Python ، Gensim ، spaCy و Keras 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.
با پایتون و ابزارهای منبع باز قدرتمند مانند Gensim و spaCy برای انجام تجزیه و تحلیل متن مدرن، پردازش زبان طبیعی و الگوریتم های زبان شناسی محاسباتی کار کنید. ویژگی های کلیدی کشف اکوسیستم متن باز تجزیه و تحلیل متن Python، با استفاده از spaCy، Gensim، scikit-learn، و تجزیه و تحلیل متن Keras دستی با پایتون، شامل پردازش زبان طبیعی و الگوریتم های زبان شناسی محاسباتی یادگیری تکنیک های یادگیری عمیق برای تجزیه و تحلیل متن شرح کتاب تجزیه و تحلیل متن مدرن اکنون با استفاده از پایتون و ابزارهای منبع باز بسیار در دسترس است، بنابراین کشف کنید که چگونه میتوانید اکنون تحلیل متن مدرن را در این دوره از دادههای متنی انجام دهید. این کتاب به شما نشان می دهد که چگونه از پردازش زبان طبیعی و الگوریتم های زبان شناسی محاسباتی برای استنتاج و به دست آوردن بینش در مورد داده هایی که دارید استفاده کنید. این الگوریتم ها بر اساس تکنیک های یادگیری ماشین آماری و هوش مصنوعی هستند. ابزارهای کار با این الگوریتمها در حال حاضر در دسترس شما هستند - با پایتون و ابزارهایی مانند Gensim و spaCy. شما با یادگیری در مورد تمیز کردن داده ها و سپس نحوه انجام زبان شناسی محاسباتی از مفاهیم اولیه شروع خواهید کرد. سپس با استفاده از پایتون، با نمونههای زبان و متن واقعی، آماده کاوش در زمینههای پیچیدهتر NLP آماری و یادگیری عمیق هستید. شما یاد خواهید گرفت که با استفاده از بهترین ابزار، متن را برچسب گذاری، تجزیه و مدل کنید. شما دانش عملی در مورد بهترین چارچوبها برای استفاده به دست خواهید آورد و میدانید چه زمانی ابزاری مانند Gensim را برای مدلهای موضوعی انتخاب کنید و چه زمانی با Keras برای یادگیری عمیق کار کنید. این کتاب تئوری و مثالهای عملی را متعادل میکند، بنابراین میتوانید پروژههای پردازش زبان طبیعی و زبانشناسی محاسباتی خود را بیاموزید و انجام دهید. شما اکوسیستم غنی ابزار پایتون را که برای اجرای NLP در دسترس دارید، کشف خواهید کرد - و وارد دنیای جالب تحلیل متن مدرن خواهید شد. آنچه خواهید آموخت چرا تجزیه و تحلیل متن در عصر مدرن ما مهم است اصطلاحات NLP را درک کنید و با ابزارها و مجموعه داده های Python آشنا شوید یاد بگیرید چگونه داده های متنی را از قبل پردازش و پاک کنید تبدیل داده های متنی به نمایش های فضای برداری استفاده از spaCy برای پردازش متن خود را آموزش دهید. مدلهای NLP برای زبانشناسی محاسباتی از الگوریتمهای یادگیری آماری و مدلسازی موضوع برای متن استفاده کنید، با استفاده از Gensim و scikit-learn از تکنیکهای یادگیری عمیق برای تجزیه و تحلیل متن با استفاده از Keras استفاده کنید این کتاب برای چه کسی است این کتاب برای شما مناسب است اگر میخواهید با دست اول وارد شوید. ، وارد دنیای جالب تجزیه و تحلیل متن و NLP شده و آماده کار با اکوسیستم غنی پایتون از ابزارها و مجموعه های داده در انتظار شما هستید!
Work with Python and powerful open source tools such as Gensim and spaCy to perform modern text analysis, natural language processing, and computational linguistics algorithms. Key Features Discover the open source Python text analysis ecosystem, using spaCy, Gensim, scikit-learn, and Keras Hands-on text analysis with Python, featuring natural language processing and computational linguistics algorithms Learn deep learning techniques for text analysis Book Description Modern text analysis is now very accessible using Python and open source tools, so discover how you can now perform modern text analysis in this era of textual data. This book shows you how to use natural language processing, and computational linguistics algorithms, to make inferences and gain insights about data you have. These algorithms are based on statistical machine learning and artificial intelligence techniques. The tools to work with these algorithms are available to you right now - with Python, and tools like Gensim and spaCy. You'll start by learning about data cleaning, and then how to perform computational linguistics from first concepts. You're then ready to explore the more sophisticated areas of statistical NLP and deep learning using Python, with realistic language and text samples. You'll learn to tag, parse, and model text using the best tools. You'll gain hands-on knowledge of the best frameworks to use, and you'll know when to choose a tool like Gensim for topic models, and when to work with Keras for deep learning. This book balances theory and practical hands-on examples, so you can learn about and conduct your own natural language processing projects and computational linguistics. You'll discover the rich ecosystem of Python tools you have available to conduct NLP - and enter the interesting world of modern text analysis. What you will learn Why text analysis is important in our modern age Understand NLP terminology and get to know the Python tools and datasets Learn how to pre-process and clean textual data Convert textual data into vector space representations Using spaCy to process text Train your own NLP models for computational linguistics Use statistical learning and Topic Modeling algorithms for text, using Gensim and scikit-learn Employ deep learning techniques for text analysis using Keras Who this book is for This book is for you if you want to dive in, hands-first, into the interesting world of text analysis and NLP, and you're ready to work with the rich Python ecosystem of tools and datasets waiting for you!
Contents......Page 7
Preface......Page 11
What is text analysis?......Page 19
Where's the data at?......Page 24
Garbage in, garbage out......Page 28
Why should you do text analysis?......Page 30
References......Page 32
Why Python?......Page 34
Text manipulation in Python......Page 37
Summary......Page 41
References......Page 42
spaCy......Page 43
Installation......Page 46
Tokenizing text......Page 51
Summary......Page 58
References......Page 59
Introducing Gensim......Page 61
Vectors and why we need them......Page 63
Vector transformations in Gensim......Page 66
n-grams and some more preprocessing......Page 70
Summary......Page 72
References......Page 73
What is POS-tagging?......Page 75
POS-tagging in Python......Page 81
Training our own POS-taggers......Page 84
POS-tagging code examples......Page 89
References......Page 91
What is NER-tagging?......Page 93
NER-tagging in Python......Page 98
Training our own NER-taggers......Page 106
NER-tagging examples and visualization......Page 112
References......Page 114
Dependency parsing......Page 116
Dependency parsing in Python......Page 122
Dependency parsing with spaCy......Page 124
Training our dependency parsers......Page 129
References......Page 136
What are topic models?......Page 138
Topic models in Gensim......Page 140
Topic models in scikit-learn......Page 148
References......Page 152
Advanced training tips......Page 154
Exploring documents......Page 158
Topic coherence and evaluating topic models......Page 164
Visualizing topic models......Page 167
Summary......Page 172
References......Page 173
Clustering text......Page 176
Starting clustering......Page 178
K-means......Page 181
Hierarchical clustering......Page 183
Classifying text......Page 185
References......Page 189
Similarity metrics......Page 191
Similarity queries......Page 198
Summarizing text......Page 200
References......Page 207
Word2Vec......Page 209
Doc2Vec......Page 217
Other word embeddings......Page 223
References......Page 230
Deep learning......Page 234
Deep learning for text (and more)......Page 236
Generating text......Page 239
Summary......Page 245
References......Page 246
Keras and spaCy......Page 248
Classification with Keras......Page 251
Classification with spaCy......Page 259
References......Page 269
Sentiment analysis......Page 272
ChatBots......Page 280
References......Page 290
Other Books You May Enjoy......Page 293
Index......Page 296