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: 1 نویسندگان: Akshay Kulkarni, Adarsha Shivananda, Anoosh Kulkarni سری: ISBN (شابک) : 1484273850, 9781484273852 ناشر: Apress سال نشر: 2021 تعداد صفحات: 327 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Natural Language Processing Projects: Build Next-Generation NLP Applications Using AI Techniques 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 پروژه های پردازش زبان طبیعی: ساخت برنامه های کاربردی NLP نسل بعدی با استفاده از تکنیک های هوش مصنوعی 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.
از تکنیکهای یادگیری ماشینی و یادگیری عمیق برای ایجاد پروژههای پردازش زبان طبیعی (NLP) کامل استفاده کنید. پروژههای سراسر این کتاب از نظر پیچیدگی رشد میکنند و روششناسی، بهینهسازی نکات و ترفندها برای حل مشکلات مختلف کسبوکار را به نمایش میگذارند. شما از کتابخانه ها و الگوریتم های مدرن پایتون برای ساختن پروژه های NLP سرتاسر استفاده خواهید کرد. این کتاب با مروری بر پردازش زبان طبیعی (NLP) و هوش مصنوعی شروع میشود تا بهروزرسانی سریعی در مورد الگوریتمها ارائه کند. سپس، پروژههای NLP سرتاسری را پوشش میدهد که با الگوریتمهای سنتی و پروژههایی مانند بررسی احساسات و تشخیص احساسات، مدلسازی موضوع، و خوشهبندی اسناد شروع میشوند. از آنجا به پروژههای مرتبط با تجارت الکترونیک مانند طبقهبندی محصول با استفاده از توضیحات محصول، موتور جستجو برای بازیابی محتوای مربوطه، و یک سیستم توصیه مبتنی بر محتوا برای بهبود تجربه کاربر میپردازد. با حرکت رو به جلو، نحوه ساخت سیستمهایی برای یافتن جملات مشابه با استفاده از جاسازی متنی، خلاصه کردن اسناد عظیم با استفاده از شبکههای عصبی مکرر (RNN)، پیشنهاد کلمات خودکار با استفاده از شبکههای حافظه کوتاهمدت (LSTM) و نحوه ساخت ربات چت با استفاده از انتقال توضیح میدهد. یادگیری. این مقاله با کاوش در نسل بعدی هوش مصنوعی و الگوریتمها در فضای تحقیقاتی به پایان میرسد. در پایان این کتاب، دانش لازم برای حل مشکلات مختلف کسب و کار با استفاده از تکنیک های NLP را خواهید داشت. آنچه خواهید آموخت پیاده سازی برنامه های کاربردی NLP هوشمند تمام عیار با Python Translate مشکل کسب و کار دنیای واقعی در داده های متنی با تکنیک های NLP استفاده از تکنیک های یادگیری ماشینی و یادگیری عمیق برای انجام پردازش زبان هوشمند کسب تجربه عملی در پیاده سازی موتور جستجوی سرتاسر بازیابی اطلاعات، خلاصهسازی متن، رباتهای گفتگو، تولید متن، خوشهبندی اسناد و طبقهبندی محصولات و موارد دیگر این کتاب برای دانشمندان داده، مهندسین یادگیری ماشین و متخصصان یادگیری عمیق که به دنبال ساخت برنامههای زبان طبیعی با استفاده از پایتون هستند.
Leverage machine learning and deep learning techniques to build fully-fledged natural language processing (NLP) projects. Projects throughout this book grow in complexity and showcase methodologies, optimizing tips, and tricks to solve various business problems. You will use modern Python libraries and algorithms to build end-to-end NLP projects. The book starts with an overview of natural language processing (NLP) and artificial intelligence to provide a quick refresher on algorithms. Next, it covers end-to-end NLP projects beginning with traditional algorithms and projects such as customer review sentiment and emotion detection, topic modeling, and document clustering. From there, it delves into e-commerce related projects such as product categorization using the description of the product, a search engine to retrieve the relevant content, and a content-based recommendation system to enhance user experience. Moving forward, it explains how to build systems to find similar sentences using contextual embedding, summarizing huge documents using recurrent neural networks (RNN), automatic word suggestion using long short-term memory networks (LSTM), and how to build a chatbot using transfer learning. It concludes with an exploration of next-generation AI and algorithms in the research space. By the end of this book, you will have the knowledge needed to solve various business problems using NLP techniques. What You Will Learn Implement full-fledged intelligent NLP applications with Python Translate real-world business problem on text data with NLP techniques Leverage machine learning and deep learning techniques to perform smart language processing Gain hands-on experience implementing end-to-end search engine information retrieval, text summarization, chatbots, text generation, document clustering and product classification, and more Who This Book Is For Data scientists, machine learning engineers, and deep learning professionals looking to build natural language applications using Python
Table of Contents About the Authors About the Technical Reviewer Acknowledgments Chapter 1: Natural Language Processing and Artificial Intelligence Overview Machine Learning Supervised Learning Unsupervised Learning Reinforcement Learning Supervised Learning Regression Classification Linear Regression Logistic Regression Classification Random Forest Support-Vector Machines Nonlinear Data: The Kernel Trick Neural Networks Deep Neural Networks Convolutional Neural Networks RNN Unsupervised Learning Clustering k-means Clustering Hierarchical Clustering Dimensionality Reduction Reinforcement Learning NLP Concepts Unstructured Data Natural Language Processing Text Preprocessing Text to Features One-Hot Encoding (OHE) Count Vectorizer Term Frequency–Inverse Document Frequency (TF-IDF) Word Embeddings Applications Text Classification Text Summarization Text Generation The AI Life Cycle Understanding and Defining the Business Problem Translating the Business Problem into an ML Problem and Creating a Solution Approach/Architecture Design Data Collection and Understanding Data Cleaning and Preprocessing Exploratory Data Analysis Feature Engineering and Selection Model Building, Tuning, and Selection Model Testing and Validation Prediction and Insights Deployment or Productionization and Model Maintenance Business Context Chapter 2: Product360: Sentiment and Emotion Detector Problem Statement Approach Formulation Steps to Solve This Problem Building an Emotion Classifier Model Data for Emotion Classifiers Data Cleaning and Preprocessing Label Encoding Train-Test Split Feature Engineering Model Building Phase Multinomial Naive Bayes Linear Classifier/Logistic Regression Support-Vector Machine Random Forest Model Evaluation and Comparison Summary Confusion Matrix for the Selected Model Real-time Data Extraction Twitter API Predicting the Emotion Predicting the Sentiment Visualization and Insights Emotion Analysis Emotion and Sentiment Analysis Automated Reporting Summary Chapter 3: TED Talks Segmentation and Topics Extraction Using Machine Learning Problem Statement Approach Formulation Data Collection Understanding the Data Data Cleaning and Preprocessing Feature Engineering Count Vectors TF-IDF Vectors Word Embeddings Model Building Phase K-means Clustering Elbow Method Silhouette Coefficient Count Vectors as Features Elbow Method Silhouette TF-IDF as Features Elbow Method Silhouette Word Embeddings as Features Elbow Method Silhouette Building Clustering Model Cluster Visualization Topic Modeling Topic Modeling for Cluster 1 Topic Modeling for Cluster 0 Conclusion Chapter 4: Enhancing E-commerce Using an Advanced Search Engine and Recommendation System Problem Statement Approach Content-Based Filtering Environment Setup Understanding the Data Exploratory Data Analysis Data Preprocessing Text Preprocessing Model Building Content-based Recommendation System Product Search Engine Implementation Advanced Search Engine Using PyTerrier and Sentence-BERT Data Preprocessing Building the Search Engine Multilingual Search Engine Using Deep Text Search Summary Chapter 5: Creating a Résumé Parsing, Screening and Shortlisting System Context Methodology and Approach Implementation Installing and Importing Required Libraries Reading Résumés and Job Descriptions Text Processing Text to Features Feature Reduction Model Building Extracting Entities Ranking Visualization Conclusion Chapter 6: Creating an E-commerce Product Categorization Model Using Deep Learning Problem Statement Methodology and Approach Environment Setup Understanding the Data Exploratory Data Analysis Data Preprocessing Text Preprocessing Feature Engineering Train-Test Split Model Building ANN Long Short-Term Memory: Recurrent Neural Networks Convolutional Neural Networks Evaluating the Model Hyperparameter Tuning Results Summary Chapter 7: Predicting Duplicate Questions in Quora Problem Statement Approach Unsupervised Learning Supervised Learning Data set Implementation: Unsupervised Learning Data Preparation A. Building Vectors Using doc2vec B. Sentence Transformers Using the BERT Model C. GPT Finding Similar questions Implementation: Supervised Learning Understanding the Data Preprocessing the Data Text to Feature Model Building Evaluation Predictions on New Sentence Pairs Conclusion Chapter 8: Named-Entity Recognition Using CRF and BERT Problem Statement Methodology and Approach Implementation Data Train Data Preparation Test Data Preparation Model Building Conditional Random Fields (CRF) Simple Feature Mapping Feature Mapping by Adding More Features BERT Transformer Next Steps Summary Chapter 9: Building a Chatbot Using Transfer Learning Approach Rule-based Chatbots Generative or Smart Chatbots Chatbot 1: QA System Using Similarity Scores Chatbot 2: Context-based Chatbot Using a Pretrained Model Hugging Face Transformers Chatbot 3: Pretrained Chatbot Using RNN Future Scope RASA Microsoft Bot Framework Conclusion Chapter 10: News Headline Summarization Approach Extractive Summarization Abstractive Summarization Environment Setup Understanding the Data Text Preprocessing Model Building BART: Simple-Transformer Pretrained Model T5 Pretrained Model Evaluation Metrics for Summarization Future Scope Conclusion Chapter 11: Text Generation: Next Word Prediction Problem Statement Approach: Understanding Language Modeling Implementation Model 1: Word-to-Word Text Generation Model 2: Sentence by Sentence Model 3: Sequence of Input Words and Output Word GPT-2 (Advanced Pretrained Model) Autocomplete/Suggestion Fast Autocomplete Conclusion Chapter 12: Conclusion and Future Trends AutoNLP Multilingual NLP Conversational AI Industry-Specific Pretrained Models Image Captioning Index