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 TensorFlow: The definitive NLP book to implement the most sought-after machine learning models and tasks, 2nd Edition

دانلود کتاب پردازش زبان طبیعی با TensorFlow: کتاب NLP قطعی برای پیاده‌سازی پرطرفدارترین مدل‌ها و وظایف یادگیری ماشین، ویرایش دوم

Natural Language Processing with TensorFlow: The definitive NLP book to implement the most sought-after machine learning models and tasks, 2nd Edition

مشخصات کتاب

Natural Language Processing with TensorFlow: The definitive NLP book to implement the most sought-after machine learning models and tasks, 2nd Edition

ویرایش: 2 
نویسندگان:   
سری:  
ISBN (شابک) : 1838641351, 9781838641351 
ناشر: Packt Publishing 
سال نشر: 2022 
تعداد صفحات: 515 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت 

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Natural Language Processing with TensorFlow: The definitive NLP book to implement the most sought-after machine learning models and tasks, 2nd Edition 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 TensorFlow: کتاب NLP قطعی برای پیاده‌سازی پرطرفدارترین مدل‌ها و وظایف یادگیری ماشین، ویرایش دوم 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 TensorFlow: کتاب NLP قطعی برای پیاده‌سازی پرطرفدارترین مدل‌ها و وظایف یادگیری ماشین، ویرایش دوم



از وظایف NLP مقدماتی تا مدل‌های ترانسفورماتور، این نسخه جدید به شما می‌آموزد که از APIهای قدرتمند TensorFlow برای پیاده‌سازی راه‌حل‌های NLP سرتاسری که توسط مدل‌های ML (یادگیری ماشین) عملکردی هدایت می‌شوند، استفاده کنید

ویژگی های کلیدی

  • یاد بگیرید که مشکلات رایج NLP را به طور موثر با TensorFlow 2.x حل کنید</ li>
  • اجرای خطوط لوله داده سرتاسری با هدایت معماری مدل ML اساسی
  • استفاده از LSTM پیشرفته تکنیک هایی برای تبدیل داده های پیچیده، مدل های سفارشی و معیارها

توضیحات کتاب

آموزش نحوه حل مشکلات پردازش زبان طبیعی (NLP) به دلیل رشد انفجاری داده ها همراه با تقاضا برای راه حل های یادگیری ماشین در تولید، مهارت مهمی برای تسلط است. پردازش زبان طبیعی با TensorFlow، نسخه دوم، به شما می‌آموزد که چگونه مشکلات رایج NLP در دنیای واقعی را با انواع معماری‌های مدل یادگیری عمیق حل کنید.

این کتاب با جذب خوانندگان شروع می‌شود. آشنایی با NLP و اصول TensorFlow. سپس، به تدریج جنبه های مختلف TensorFlow 2.x را به شما آموزش می دهد. در فصل‌های بعدی، نحوه ایجاد بردارهای کلمه قدرتمند، طبقه‌بندی متن، تولید متن جدید، و ایجاد زیرنویس‌های تصویر، در میان سایر موارد استفاده هیجان‌انگیز از NLP در دنیای واقعی را می‌آموزید.

TensorFlow به اکوسیستمی تبدیل شده است که از جریان کار یادگیری ماشینی از طریق جذب و تبدیل داده‌ها، ساخت مدل‌ها، نظارت و تولید پشتیبانی می‌کند. سپس متن را مستقیماً از فایل‌ها می‌خوانیم و تبدیل‌های مورد نیاز را از طریق خط لوله داده TensorFlow انجام می‌دهیم. همچنین خواهیم دید که چگونه از یک ابزار تجسم همه کاره معروف به TensorBoard برای تجسم مدل های خود استفاده کنیم.

در پایان این کتاب NLP، با استفاده از TensorFlow برای ساخت راحت خواهید بود. مدل‌های یادگیری عمیق با بسیاری از معماری‌های مختلف، و به‌طور کارآمد داده‌ها را با استفاده از TensorFlow دریافت می‌کنند، علاوه بر این، می‌توانید با اطمینان از TensorFlow در سراسر گردش کار یادگیری ماشین خود استفاده کنید.

آنچه خواهید آموخت< /span>

  • مفاهیم اصلی NLP و تکنیک ها را با TensorFlow بیاموزید
  • استفاده کنید ترانسفورماتورهای پیشرفته و نحوه استفاده از آنها برای حل وظایف NLP
  • اجرای طبقه بندی جملات و تولید متن با استفاده از CNN و RNN
  • span>
  • استفاده از مدل‌های پیشرفته برای ترجمه ماشینی و تولید شرح تصویر
  • ایجاد خطوط لوله داده سرتاسر در TensorFlow
  • با حقایق و شیوه‌های جالب مرتبط با کار در دست آشنا شوید
  • ایجاد نمایش کلمه از مقادیر زیادی داده برای یادگیری عمیق

این کتاب کیست for

این کتاب برای توسعه دهندگان و برنامه نویسان پایتون است که علاقه زیادی به یادگیری عمیق دارند و می خواهند یاد بگیرند که چگونه از TensorFlow برای ساده کردن وظایف NLP استفاده کنند.</ p>

مهارت های اساسی پایتون و همچنین دانش اولیه یادگیری ماشین و حساب دیفرانسیل و انتگرال در سطح کارشناسی و جبر خطی فرض شده است. بدون نیاز به تجربه قبلی پردازش زبان طبیعی.

فهرست مطالب

  1. مقدمه ای بر پردازش زبان طبیعی
  2. درک TensorFlow 2
  3. Word2vec – آموزش جاسازی کلمات
  4. الگوریتم‌های بردار کلمه پیشرفته
  5. طبقه‌بندی جملات با کانولوشن شبکه های عصبی
  6. شبکه های عصبی تکراری
  7. درک Long Short -شبکه های حافظه مدت زمان
  8. کاربردهای LSTM – تولید متن
  9. < span>یادگیری دنباله به ترتیب – ترجمه ماشین عصبی
  10. ترانسفورماتور
  11. < span>تصویرنویسی با ترانسفورماتور
  12. پیوست A: مبانی ریاضی و پیشرفته TensorFlow

توضیحاتی درمورد کتاب به خارجی

From introductory NLP tasks to Transformer models, this new edition teaches you to utilize powerful TensorFlow APIs to implement end-to-end NLP solutions driven by performant ML (Machine Learning) models

Key Features

  • Learn to solve common NLP problems effectively with TensorFlow 2.x
  • Implement end-to-end data pipelines guided by the underlying ML model architecture
  • Use advanced LSTM techniques for complex data transformations, custom models and metrics

Book Description

Learning how to solve natural language processing (NLP) problems is an important skill to master due to the explosive growth of data combined with the demand for machine learning solutions in production. Natural Language Processing with TensorFlow, Second Edition, will teach you how to solve common real-world NLP problems with a variety of deep learning model architectures.

The book starts by getting readers familiar with NLP and the basics of TensorFlow. Then, it gradually teaches you different facets of TensorFlow 2.x. In the following chapters, you then learn how to generate powerful word vectors, classify text, generate new text, and generate image captions, among other exciting use-cases of real-world NLP.

TensorFlow has evolved to be an ecosystem that supports a machine learning workflow through ingesting and transforming data, building models, monitoring, and productionization. We will then read text directly from files and perform the required transformations through a TensorFlow data pipeline. We will also see how to use a versatile visualization tool known as TensorBoard to visualize our models.

By the end of this NLP book, you will be comfortable with using TensorFlow to build deep learning models with many different architectures, and efficiently ingest data using TensorFlow Additionally, you'll be able to confidently use TensorFlow throughout your machine learning workflow.

What you will learn

  • Learn core concepts of NLP and techniques with TensorFlow
  • Use state-of-the-art Transformers and how they are used to solve NLP tasks
  • Perform sentence classification and text generation using CNNs and RNNs
  • Utilize advanced models for machine translation and image caption generation
  • Build end-to-end data pipelines in TensorFlow
  • Learn interesting facts and practices related to the task at hand
  • Create word representations of large amounts of data for deep learning

Who this book is for

This book is for Python developers and programmers with a strong interest in deep learning, who want to learn how to leverage TensorFlow to simplify NLP tasks.

Fundamental Python skills are assumed, as well as basic knowledge of machine learning and undergraduate-level calculus and linear algebra. No previous natural language processing experience required.

Table of Contents

  1. Introduction to Natural Language Processing
  2. Understanding TensorFlow 2
  3. Word2vec – Learning Word Embeddings
  4. Advanced Word Vector Algorithms
  5. Sentence Classification with Convolutional Neural Networks
  6. Recurrent Neural Networks
  7. Understanding Long Short-Term Memory Networks
  8. Applications of LSTM – Generating Text
  9. Sequence-to-Sequence Learning – Neural Machine Translation
  10. Transformers
  11. Image Captioning with Transformers
  12. Appendix A: Mathematical Foundations and Advanced TensorFlow


فهرست مطالب

Cover
Copyright
Contributors
Table of Contents
Preface
Chapter 1: Introduction to Natural Language Processing
	What is Natural Language Processing?
	Tasks of Natural Language Processing
	The traditional approach to Natural Language Processing
		Understanding the traditional approach
			Example – generating football game summaries
		Drawbacks of the traditional approach
	The deep learning approach to Natural Language Processing
		History of deep learning
		The current state of deep learning and NLP
		Understanding a simple deep model – a fully connected neural network
	Introduction to the technical tools
		Description of the tools
		Installing Anaconda and Python
			Creating a Conda environment
		TensorFlow (GPU) software requirements
		Accessing Jupyter Notebook
		Verifying the TensorFlow installation
	Summary
Chapter 2 : Understanding TensorFlow 2
	What is TensorFlow?
		Getting started with TensorFlow 2
		TensorFlow 2 architecture – What happens during graph build?
		TensorFlow architecture – what happens when you execute the graph?
		Café Le TensorFlow 2 – understanding TensorFlow 2 with an analogy
		Flashback: TensorFlow 1
	Inputs, variables, outputs, and operations
		Defining inputs in TensorFlow
			Feeding data as NumPy arrays
			Feeding data as tensors
			Building a data pipeline using the tf.data API
		Defining variables in TensorFlow
		Defining outputs in TensorFlow
		Defining operations in TensorFlow
			Comparison operations
			Mathematical operations
			Updating (scattering) values in tensors
			Collecting (gathering) values from a tensor
		Neural network-related operations
			Nonlinear activations used by neural networks
			The convolution operation
			The pooling operation
			Defining loss
	Keras: The model building API of TensorFlow
		Sequential API
		Functional API
		Sub-classing API
	Implementing our first neural network
		Preparing the data
		Implementing the neural network with Keras
			Training the model
			Testing the model
	Summary
Chapter 3: Word2vec – Learning Word Embeddings
	What is a word representation or meaning?
	Classical approaches to learning word representation
		One-hot encoded representation
		The TF-IDF method
		Co-occurrence matrix
	An intuitive understanding of Word2vec – an approach to learning word representation
		Exercise: does queen = king – he + she?
	The skip-gram algorithm
		From raw text to semi-structured text
		Understanding the skip-gram algorithm
		Implementing and running the skip-gram algorithm with TensorFlow
			Implementing the data generators with TensorFlow
			Implementing the skip-gram architecture with TensorFlow
			Training and evaluating the model
	The Continuous Bag-of-Words algorithm
		Generating data for the CBOW algorithm
		Implementing CBOW in TensorFlow
		Training and evaluating the model
	Summary
Chapter 4: Advanced Word Vector Algorithms
	GloVe – Global Vectors representation
		Understanding GloVe
		Implementing GloVe
		Generating data for GloVe
		Training and evaluating GloVe
	ELMo – Taking ambiguities out of word vectors
		Downloading ELMo from TensorFlow Hub
		Preparing inputs for ELMo
		Generating embeddings with ELMo
	Document classification with ELMo
		Dataset
		Generating document embeddings
		Classifying documents with document embeddings
	Summary
Chapter 5: Sentence Classification with Convolutional Neural Networks
	Introducing CNNs
		CNN fundamentals
			The power of CNNs
	Understanding CNNs
		Convolution operation
			Standard convolution operation
			Convolving with stride
			Convolving with padding
			Transposed convolution
		Pooling operation
			Max pooling
			Max pooling with stride
			Average pooling
		Fully connected layers
		Putting everything together
	Exercise – image classification on Fashion-MNIST with CNN
		About the data
		Downloading and exploring the data
		Implementing the CNN
		Analyzing the predictions produced with a CNN
	Using CNNs for sentence classification
		How data is transformed for sentence classification
		Implementation – downloading and preparing data
			Implementation – building a tokenizer
		The sentence classification CNN model
			The convolution operation
			Pooling over time
		Implementation – sentence classification with CNNs
		Training the model
	Summary
Chapter 6: Recurrent Neural Networks
	Understanding RNNs
		The problem with feed-forward neural networks
		Modeling with RNNs
		Technical description of an RNN
	Backpropagation Through Time
		How backpropagation works
		Why we cannot use BP directly for RNNs
		Backpropagation Through Time – training RNNs
		Truncated BPTT – training RNNs efficiently
		Limitations of BPTT – vanishing and exploding gradients
	Applications of RNNs
		One-to-one RNNs
		One-to-many RNNs
		Many-to-one RNNs
		Many-to-many RNNs
	Named Entity Recognition with RNNs
		Understanding the data
		Processing data
		Defining hyperparameters
		Defining the model
			Introduction to the TextVectorization layer
			Defining the rest of the model
		Evaluation metrics and the loss function
		Training and evaluating RNN on NER task
		Visually analyzing outputs
	NER with character and token embeddings
		Using convolution to generate token embeddings
		Implementing the new NER model
			Defining hyperparameters
			Defining the input layer
			Defining the token-based TextVectorization layer
			Defining the character-based TextVectorization layer
			Processing the inputs for the char_vectorize_layer
			Performing convolution on the character embeddings
		Model training and evaluation
		Other improvements you can make
	Summary
Chapter 7: Understanding Long Short-Term Memory Networks
	Understanding Long Short-Term Memory Networks
		What is an LSTM?
		LSTMs in more detail
		How LSTMs differ from standard RNNs
	How LSTMs solve the vanishing gradient problem
	Improving LSTMs
		Greedy sampling
		Beam search
		Using word vectors
		Bidirectional LSTMs (BiLSTMs)
	Other variants of LSTMs
		Peephole connections
		Gated Recurrent Units
	Summary
Chapter 8: Applications of LSTM – Generating Text
	Our data
		About the dataset
		Generating training, validation, and test sets
		Analyzing the vocabulary size
		Defining the tf.data pipeline
	Implementing the language model
		Defining the TextVectorization layer
		Defining the LSTM model
		Defining metrics and compiling the model
		Training the model
		Defining the inference model
		Generating new text with the model
	Comparing LSTMs to LSTMs with peephole connections and GRUs
		Standard LSTM
			Review
		Gated Recurrent Units (GRUs)
			Review
			The model
		LSTMs with peepholes
			Review
			The code
		Training and validation perplexities over time
	Improving sequential models – beam search
		Implementing beam search
		Generating text with beam search
	Improving LSTMs – generating text with words instead of n-grams
		The curse of dimensionality
		Word2vec to the rescue
		Generating text with Word2vec
	Summary
Chapter 9: Sequence-to-Sequence Learning – Neural Machine Translation
	Machine translation
	A brief historical tour of machine translation
		Rule-based translation
		Statistical Machine Translation (SMT)
		Neural Machine Translation (NMT)
	Understanding neural machine translation
		Intuition behind NMT systems
		NMT architecture
			The embedding layer
			The encoder
			The context vector
			The decoder
	Preparing data for the NMT system
		The dataset
			Adding special tokens
			Splitting training, validation, and testing datasets
			Defining sequence lengths for the two languages
			Padding the sentences
	Defining the model
		Converting tokens to IDs
		Defining the encoder
		Defining the decoder
		Attention: Analyzing the encoder states
			Computing Attention
			Implementing Attention
		Defining the final model
	Training the NMT
	The BLEU score – evaluating the machine translation systems
		Modified precision
		Brevity penalty
		The final BLEU score
	Visualizing Attention patterns
	Inference with NMT
	Other applications of Seq2Seq models – chatbots
		Training a chatbot
		Evaluating chatbots – the Turing test
	Summary
Chapter 10: Transformers
	Transformer architecture
		The encoder and the decoder
		Computing the output of the self-attention layer
		Embedding layers in the Transformer
		Residuals and normalization
	Understanding BERT
		Input processing for BERT
		Tasks solved by BERT
		How BERT is pre-trained
			Masked Language Modeling (MLM)
			Next Sentence Prediction (NSP)
	Use case: Using BERT to answer questions
		Introduction to the Hugging Face transformers library
		Exploring the data
		Implementing BERT
			Implementing and using the Tokenizer
			Defining a TensorFlow dataset
			BERT for answering questions
			Defining the config and the model
		Training and evaluating the model
		Answering questions with Bert
	Summary
Chapter 11: Image Captioning with Transformers
	Getting to know the data
		ILSVRC ImageNet dataset
		The MS-COCO dataset
	Downloading the data
	Processing and tokenizing data
		Preprocessing data
		Tokenizing data
	Defining a tf.data.Dataset
	The machine learning pipeline for image caption generation
		Vision Transformer (ViT)
		Text-based decoder Transformer
		Putting everything together
	Implementing the model with TensorFlow
		Implementing the ViT model
		Implementing the text-based decoder
			Defining the self-attention layer
			Defining the Transformer layer
			Defining the full decoder
	Training the model
	Evaluating the results quantitatively
		BLEU
		ROUGE
		METEOR
		CIDEr
	Evaluating the model
	Captions generated for test images
	Summary
Appendix A: Mathematical Foundations and Advanced TensorFlow
	Basic data structures
		Scalar
		Vectors
		Matrices
		Indexing of a matrix
	Special types of matrices
		Identity matrix
		Square diagonal matrix
		Tensors
	Tensor/matrix operations
		Transpose
		Matrix multiplication
		Element-wise multiplication
		Inverse
		Finding the matrix inverse – Singular Value Decomposition (SVD)
		Norms
		Determinant
	Probability
		Random variables
			Discrete random variables
			Continuous random variables
		The probability mass/density function
		Conditional probability
		Joint probability
		Marginal probability
		Bayes’ rule
	Visualizing word embeddings with TensorBoard
		Starting TensorBoard
		Saving word embeddings and visualizing via TensorBoard
	Summary
	Other Books You May Enjoy
Packt Page
Other Books You May Enjoy
Index




نظرات کاربران