ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Natural Language Processing with Java: Techniques for Building Machine Learning and Neural Network Models for NLP

دانلود کتاب پردازش زبان طبیعی با جاوا: روشهای یادگیری ماشین سازی و مدلهای شبکه عصبی برای NLP

Natural Language Processing with Java: Techniques for Building Machine Learning and Neural Network Models for NLP

مشخصات کتاب

Natural Language Processing with Java: Techniques for Building Machine Learning and Neural Network Models for NLP

ویرایش: 2nd Edition 
نویسندگان: ,   
سری:  
ISBN (شابک) : 9781788993067, 1788993063 
ناشر: Packt Publishing Ltd 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت

قیمت کتاب (تومان) : 43,000



کلمات کلیدی مربوط به کتاب پردازش زبان طبیعی با جاوا: روشهای یادگیری ماشین سازی و مدلهای شبکه عصبی برای NLP: جاوا، پردازش زبان طبیعی، کتاب های الکترونیکی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Natural Language Processing with Java: Techniques for Building Machine Learning and Neural Network Models for NLP 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 با جاوا: روشهای یادگیری ماشین سازی و مدلهای شبکه عصبی برای NLP 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 پردازش زبان طبیعی با جاوا: روشهای یادگیری ماشین سازی و مدلهای شبکه عصبی برای NLP

پردازش زبان طبیعی با جاوا چگونگی سازماندهی خودکار متن را با استفاده از رویکردهایی مانند جستجوی متن کامل، تشخیص نام مناسب، خوشه‌بندی، برچسب‌گذاری، استخراج اطلاعات و خلاصه‌سازی بررسی می‌کند. شما از قدرت جاوا برای استخراج روابط در عناصر مختلف متن و اسناد استفاده خواهید کرد. صفحه عنوان؛ حق چاپ و اعتبار؛ فداکاری؛ Packt Upsell; مشارکت کنندگان؛ فهرست مطالب؛ پیشگفتار؛ فصل 1: مقدمه ای بر NLP. NLP چیست؟ چرا از NLP استفاده کنیم؟ چرا NLP اینقدر سخت است؟ بررسی ابزار NLP. آپاچی OpenNLP؛ استانفورد NLP; LingPipe; دروازه؛ UIMA Apache Lucene Core; یادگیری عمیق برای جاوا؛ مروری بر وظایف پردازش متن؛ یافتن بخش هایی از متن؛ یافتن جملات؛ ویژگی-مهندسی؛ یافتن افراد و چیزها؛ تشخیص بخش هایی از گفتار؛ طبقه بندی متون و اسناد؛ استخراج روابط؛ استفاده از رویکردهای ترکیبی؛ درک مدل های NLP؛ شناسایی تکلیف.


توضیحاتی درمورد کتاب به خارجی

Natural Language Processing with Java will explore how to automatically organize text using approaches such as full-text search, proper name recognition, clustering, tagging, information extraction, and summarization. You will leverage the power of Java to extract relationships within different elements of text and documents.;Cover; Title Page; Copyright and Credits; Dedication; Packt Upsell; Contributors; Table of Contents; Preface; Chapter 1: Introduction to NLP; What is NLP?; Why use NLP?; Why is NLP so hard?; Survey of NLP tools; Apache OpenNLP; Stanford NLP; LingPipe; GATE; UIMA; Apache Lucene Core; Deep learning for Java; Overview of text-processing tasks; Finding parts of text; Finding sentences; Feature-engineering; Finding people and things; Detecting parts of speech; Classifying text and documents; Extracting relationships; Using combined approaches; Understanding NLP models; Identifying the task.



فهرست مطالب

Cover
 Title Page
 Copyright and Credits
 Dedication
 Packt Upsell
 Contributors
 Table of Contents
 Preface
 Chapter 1: Introduction to NLP
 What is NLP?
 Why use NLP?
 Why is NLP so hard?
 Survey of NLP tools
 Apache OpenNLP
 Stanford NLP
 LingPipe
 GATE
 UIMA
 Apache Lucene Core
 Deep learning for Java
 Overview of text-processing tasks
 Finding parts of text
 Finding sentences
 Feature-engineering
 Finding people and things
 Detecting parts of speech
 Classifying text and documents
 Extracting relationships
 Using combined approaches
 Understanding NLP models
 Identifying the task. Selecting a modelBuilding and training the model
 Verifying the model
 Using the model
 Preparing data
 Summary
 Chapter 2: Finding Parts of Text
 Understanding the parts of text
 What is tokenization?
 Uses of tokenizers
 Simple Java tokenizers
 Using the Scanner class
 Specifying the delimiter
 Using the split method
 Using the BreakIterator class
 Using the StreamTokenizer class
 Using the StringTokenizer class
 Performance considerations with Java core tokenization
 NLP tokenizer APIs
 Using the OpenNLPTokenizer class
 Using the SimpleTokenizer class
 Using the WhitespaceTokenizer class. Using the TokenizerME classUsing the Stanford tokenizer
 Using the PTBTokenizer class
 Using the DocumentPreprocessor class
 Using a pipeline
 Using LingPipe tokenizers
 Training a tokenizer to find parts of text
 Comparing tokenizers
 Understanding normalization
 Converting to lowercase
 Removing stopwords
 Creating a StopWords class
 Using LingPipe to remove stopwords
 Using stemming
 Using the Porter Stemmer
 Stemming with LingPipe
 Using lemmatization
 Using the StanfordLemmatizer class
 Using lemmatization in OpenNLP
 Normalizing using a pipeline
 Summary
 Chapter 3: Finding Sentences. The SBD processWhat makes SBD difficult?
 Understanding the SBD rules of LingPipe's HeuristicSentenceModel class
 Simple Java SBDs
 Using regular expressions
 Using the BreakIterator class
 Using NLP APIs
 Using OpenNLP
 Using the SentenceDetectorME class
 Using the sentPosDetect method
 Using the Stanford API
 Using the PTBTokenizer class
 Using the DocumentPreprocessor class
 Using the StanfordCoreNLP class
 Using LingPipe
 Using the IndoEuropeanSentenceModel class
 Using the SentenceChunker class
 Using the MedlineSentenceModel class
 Training a sentence-detector model. Using the Trained modelEvaluating the model using the SentenceDetectorEvaluator class
 Summary
 Chapter 4: Finding People and Things
 Why is NER difficult?
 Techniques for name recognition
 Lists and regular expressions
 Statistical classifiers
 Using regular expressions for NER
 Using Java's regular expressions to find entities
 Using the RegExChunker class of LingPipe
 Using NLP APIs
 Using OpenNLP for NER
 Determining the accuracy of the entity
 Using other entity types
 Processing multiple entity types
 Using the Stanford API for NER
 Using LingPipe for NER.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی