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: Jacob Perkins
سری:
ISBN (شابک) : 9781782167853
ناشر: Packt Publishing
سال نشر: 2014
تعداد صفحات: 304
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 Python 3 Text Processing with NLTK 3 Cookbook: Over 80 practical recipes on natural language processing techniques using Python's NLTK 3.0 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 متن Python 3 با کتاب آشپزی NLTK 3: بیش از 80 دستور العمل عملی در تکنیک های پردازش زبان طبیعی با استفاده از NLTK 3.0 Python 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.
این کتاب تکنیک های ضروری پردازش متن و زبان را به شما نشان می دهد. با شروع توکنسازی، ریشهیابی و فرهنگ لغت WordNet، به برچسبگذاری بخشی از گفتار، تکهشدن عبارت، و شناسایی موجودیت نامگذاری شده خواهید رسید. شما یاد خواهید گرفت که چگونه مجموعه های متنی مختلف سازماندهی شده اند، و همچنین نحوه ایجاد مجموعه سفارشی خود را. سپس، با تمرکز بر تجزیه و تحلیل احساسات، به طبقه بندی متن می روید. و از آنجایی که NLP می تواند از نظر محاسباتی بر روی حجم های بزرگ متن گران باشد، شما چند روش را برای پردازش متن توزیع شده امتحان خواهید کرد. در نهایت، با تعدادی کتابخانه کوچک اما مکمل دیگر پایتون برای تجزیه و تحلیل، پاکسازی و تجزیه متن آشنا خواهید شد.
This book will show you the essential techniques of text and language processing. Starting with tokenization, stemming, and the WordNet dictionary, you'll progress to part-of-speech tagging, phrase chunking, and named entity recognition. You'll learn how various text corpora are organized, as well as how to create your own custom corpus. Then, you'll move onto text classification with a focus on sentiment analysis. And because NLP can be computationally expensive on large bodies of text, you'll try a few methods for distributed text processing. Finally, you'll be introduced to a number of other small but complementary Python libraries for text analysis, cleaning, and parsing.