دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Natural Language Processing Cookbook: Over 50 recipes to understand, analyze, and generate text for implementing language processing tasks
دانلود کتاب کتاب آشپزی پردازش زبان طبیعی پایتون: بیش از 50 دستور العمل برای درک، تجزیه و تحلیل و تولید متن برای اجرای وظایف پردازش زبان
مشخصات کتاب
Python Natural Language Processing Cookbook: Over 50 recipes to understand, analyze, and generate text for implementing language processing tasks
ویرایش:
نویسندگان: Zhenya Antić
سری:
ISBN (شابک) : 1838987312, 9781838987312
ناشر: Packt Publishing
سال نشر: 2021
تعداد صفحات: 285
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب Python Natural Language Processing Cookbook: Over 50 recipes to understand, analyze, and generate text for implementing language processing tasks 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 کتاب آشپزی پردازش زبان طبیعی پایتون: بیش از 50 دستور العمل برای درک، تجزیه و تحلیل و تولید متن برای اجرای وظایف پردازش زبان 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 کتاب آشپزی پردازش زبان طبیعی پایتون: بیش از 50 دستور العمل برای درک، تجزیه و تحلیل و تولید متن برای اجرای وظایف پردازش زبان
با حل مشکلات دنیای واقعی NLP، مانند تجزیه وابستگی، استخراج اطلاعات، مدل‌سازی موضوع، و تجسم داده‌های متنی آشنا شوید
ویژگی‌های کلیدی
- تجزیه و تحلیل پیچیدگی‌های مختلف متن با استفاده از بسته‌های محبوب پایتون مانند NLTK، genersimklemon-notlicom، و genen-simplearn, و وظایف پردازش زبانی با استفاده از کتابخانه‌های پایتون
- غلبه بر چالش‌های رایج در اجرای خطوط لوله NLP
توضیحات کتاب
Python به لطف ابزارها و کتابخانه‌های گسترده‌اش برای تجزیه و تحلیل متن و استخراج داده‌های کامپیوتری، پرکاربردترین زبان برای پردازش زبان طبیعی (NLP) است. این کتاب شما را در طیف وسیعی از تکنیک‌ها برای پردازش متن، از اصول اولیه مانند تجزیه بخش‌های گفتار گرفته تا موضوعات پیچیده مانند مدل‌سازی موضوع، طبقه‌بندی متن، و تجسم، راهنمایی می‌کند.
با مروری بر NLP شروع می‌شود، این کتاب دستور العمل‌هایی را برای تقسیم متن به جملات، آماده‌سازی ریشه و واژه‌سازی، حذف برچسب‌ها برای نشان دادن داده‌های گفتار و کمک به شما ارائه می‌دهد. سپس روش‌های استخراج و نمایش اطلاعات گرامری، مانند تجزیه وابستگی و تفکیک آنافورا را یاد می‌گیرید، راه‌های مختلف نمایش معنایی را با استفاده از کیسه کلمات، TF-IDF، جاسازی کلمات و BERT کشف می‌کنید و مهارت‌هایی را برای طبقه‌بندی متن با استفاده از کلمات کلیدی، SVM، LSTM و تکنیک‌های دیگر توسعه می‌دهید. با پیشروی، نحوه استخراج اطلاعات از متن، پیاده‌سازی تکنیک‌های بدون نظارت و نظارت شده برای مدل‌سازی موضوع، و مدل‌سازی موضوعی متون کوتاه مانند توییت‌ها را نیز خواهید دید. علاوه بر این، این کتاب به شما نشان می‌دهد که چگونه با استفاده از NLTK و Rasa چت‌ربات‌ها را توسعه دهید و داده‌های متنی را تجسم کنید.
در پایان این کتاب NLP، مهارت‌های استفاده از مجموعه‌ای از ابزارهای قدرتمند برای پردازش متن را خواهید داشت.
آنچه یاد خواهید گرفت
- در تکنیک‌های NLP به خوبی پیشرفته و پیشرفته شوید. در متن با استفاده از spaCy، و اطلاعات معنایی با استفاده از بسته‌ای از کلمات، TF-IDF، و جاسازی‌های کلمه
- اجرای طبقه‌بندی متن با استفاده از روش‌های مختلف، از جمله SVMs و LSTMs
- کاوش تکنیک‌های مختلف برای مدل‌سازی موضوع مانند K-means، LDA، NMF، و BERT
- NBRT با تکنیک‌های تصویری و NV، N
- Ntnforms. > ساخت ربات چت اولیه با استفاده از NLTK و Rasa
- استخراج اطلاعات از متن با استفاده از تکنیک های بیان منظم و ابزارهای آماری و یادگیری عمیق
این کتاب برای چه کسانی است
این کتاب برای دانشمندان داده و متخصصانی است که می خواهند نحوه کار با متن را بیاموزند. دانش متوسط پایتون به شما کمک می کند تا از این کتاب نهایت استفاده را ببرید. اگر یک متخصص NLP هستید، این کتاب به عنوان یک مرجع کد هنگام کار بر روی پروژه‌های شما عمل می‌کند.
فهرست محتوا
- آموزش مبانی NLP
- بازی با گرامر
- نمایندگی متن - گرفتن معناشناسی
- >
- طبقه‌بندی مدل‌سازی اطلاعاتpicionToe > ساخت ربات های چت
- تجسم داده های متنی
توضیحاتی درمورد کتاب به خارجی
Get to grips with solving real-world NLP problems, such as dependency parsing, information extraction, topic modeling, and text data visualization
Key Features
- Analyze varying complexities of text using popular Python packages such as NLTK, spaCy, sklearn, and gensim
- Implement common and not-so-common linguistic processing tasks using Python libraries
- Overcome the common challenges faced while implementing NLP pipelines
Book Description
Python is the most widely used language for natural language processing (NLP) thanks to its extensive tools and libraries for analyzing text and extracting computer-usable data. This book will take you through a range of techniques for text processing, from basics such as parsing the parts of speech to complex topics such as topic modeling, text classification, and visualization.
Starting with an overview of NLP, the book presents recipes for dividing text into sentences, stemming and lemmatization, removing stopwords, and parts of speech tagging to help you to prepare your data. You'll then learn ways of extracting and representing grammatical information, such as dependency parsing and anaphora resolution, discover different ways of representing the semantics using bag-of-words, TF-IDF, word embeddings, and BERT, and develop skills for text classification using keywords, SVMs, LSTMs, and other techniques. As you advance, you'll also see how to extract information from text, implement unsupervised and supervised techniques for topic modeling, and perform topic modeling of short texts, such as tweets. Additionally, the book shows you how to develop chatbots using NLTK and Rasa and visualize text data.
By the end of this NLP book, you'll have developed the skills to use a powerful set of tools for text processing.
What you will learn
- Become well-versed with basic and advanced NLP techniques in Python
- Represent grammatical information in text using spaCy, and semantic information using bag-of-words, TF-IDF, and word embeddings
- Perform text classification using different methods, including SVMs and LSTMs
- Explore different techniques for topic modeling such as K-means, LDA, NMF, and BERT
- Work with visualization techniques such as NER and word clouds for different NLP tools
- Build a basic chatbot using NLTK and Rasa
- Extract information from text using regular expression techniques and statistical and deep learning tools
Who this book is for
This book is for data scientists and professionals who want to learn how to work with text. Intermediate knowledge of Python will help you to make the most out of this book. If you are an NLP practitioner, this book will serve as a code reference when working on your projects.
Table of Contents
- Learning NLP Basics
- Playing with Grammar
- Representing text - capturing semantics
- Classifying Texts
- Getting started with information extraction
- Topic modeling
- Building Chatbots
- Visualizing text data
فهرست مطالب
Cover Title Page Copyright and Credits Contributors Table of Contents Preface Chapter 1: Learning NLP Basics Technical requirements Dividing text into sentences Getting ready How to do it… How it works… There's more… See also Dividing sentences into words – tokenization Getting ready How to do it… How it works… There's more… See also Parts of speech tagging Getting ready How to do it… How it works… There's more… See also Word stemming Getting ready How to do it… How it works… There's more… See also Combining similar words – lemmatization Getting ready How to do it… How it works… There's more… Removing stopwords Getting ready… How to do it… How it works… There's more… Chapter 2: Playing with Grammar Technical requirements Counting nouns – plural and singular nouns Getting ready How to do it… How it works… There's more… Getting the dependency parse Getting ready How to do it… How it works… See also Splitting sentences into clauses Getting ready How to do it… How it works… Extracting noun chunks Getting ready How to do it… How it works… There's more… See also Extracting entities and relations Getting ready How to do it… How it works… There's more… Extracting subjects and objects of the sentence Getting ready How to do it… How it works… There's more… Finding references – anaphora resolution Getting ready How to do it… How it works… There's more… Chapter 3: Representing Text – Capturing Semantics Technical requirements Putting documents into a bag of words Getting ready How to do it… How it works… There's more… Constructing the N-gram model Getting ready How to do it… How it works… There's more… Representing texts with TF-IDF Getting ready How to do it… How it works… There's more… Using word embeddings Getting ready How to do it… How it works… There's more… See also Training your own embeddings model Getting ready How to do it… How it works… There's more… See also Representing phrases – phrase2vec Getting ready How to do it… How it works… See also Using BERT instead of word embeddings Getting ready How to do it… How it works… Getting started with semantic search Getting ready How to do it… How it works… See also Chapter 4: Classifying Texts Technical requirements Getting the dataset and evaluation baseline ready Getting ready How to do it… How it works… Performing rule-based text classification using keywords Getting ready How to do it… How it works… There's more… Clustering sentences using K-means – unsupervised text classification Getting ready How to do it… How it works… Using SVMs for supervised text classification Getting ready How to do it… How it works… There's more… Using LSTMs for supervised text classification Getting ready How to do it… How it works… Chapter 5: Getting Started with Information Extraction Technical requirements Using regular expressions Getting ready How to do it… How it works… There's more… Finding similar strings: the Levenshtein distance Getting ready How to do it… How it works… There's more… See also Performing named entity recognition using spaCy Getting ready How to do it… How it works… There's more… Training your own NER model with spaCy Getting ready How to do it… How it works… There's more… See also Discovering sentiment analysis Getting ready How to do it… How it works… Sentiment for short texts using LSTM: Twitter Getting ready How to do it… How it works… Using BERT for sentiment analysis Getting ready How to do it… How it works… There's more… See also Chapter 6: Topic Modeling Technical requirements LDA topic modeling with sklearn Getting ready How to do it… How it works… There's more… LDA topic modeling with gensim Getting ready How to do it… How it works… There's more… NMF topic modeling Getting ready How to do it… How it works… K-means topic modeling with BERT Getting ready How to do it… How it works… Topic modeling of short texts Getting ready How to do it… How it works… See also Chapter 7: Building Chatbots Technical requirements Building a basic chatbot with keyword matching Getting ready How to do it… How it works… There's more… Building a basic Rasa chatbot Getting ready How to do it… How it works… There's more… See also Creating question-answer pairs with Rasa Getting ready How to do it… How it works… Creating and visualizing conversation paths with Rasa Getting ready How to do it… How it works… Creating actions for the Rasa chatbot Getting ready How to do it… How it works… See also Chapter 8: Visualizing Text Data Technical requirements Visualizing the dependency parse Getting ready How to do it… How it works… Visualizing parts of speech Getting ready How to do it… How it works… Visualizing NER Getting ready How to do it… How it works… Constructing word clouds Getting ready How to do it… How it works… There's more… See also Visualizing topics Getting ready How to do it… How it works… See also Why subscribe? Other Books You May Enjoy Index
