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: Teresa Jade, Biljana Belamaric-Wilsey, Michael Wallis سری: ISBN (شابک) : 1642951943, 9781642951943 ناشر: SAS Institute سال نشر: 2019 تعداد صفحات: 308 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب SAS Text Analytics for Business Applications: Concept Rules for Information Extraction Models 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 تجزیه و تحلیل متن SAS برای برنامه های کاربردی تجاری: قوانین مفهومی برای مدل های استخراج اطلاعات 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.
استخراج اطلاعات وظیفه استخراج خودکار اطلاعات ساختاریافته از متن بدون ساختار یا نیمه ساختار یافته است. تجزیه و تحلیل متن SAS(R) برای کاربردهای تجاری: قوانین مفهومی برای مدلهای استخراج اطلاعات بر روی این عنصر کلیدی پردازش زبان طبیعی (NLP) تمرکز میکند و راهنماییهای دنیای واقعی را در مورد کاربرد مؤثر تجزیه و تحلیل متن ارائه میدهد.
با استفاده از سناریوها و دادههای مبتنی بر موارد تجاری در بسیاری از حوزهها و صنایع مختلف، این کتاب حاوی نکات مفید و بهترین شیوههای کارشناسان تجزیه و تحلیل متن SAS است تا از بینش سریع و ارزشمند از دادههای متنی شما اطمینان حاصل کند.
نوشته شده برای مخاطبان گسترده ای از کاربران مبتدی، متوسط و پیشرفته محصولات تجزیه و تحلیل متن SAS، از جمله SAS(R) Visual Text Analytics، SAS(R) Contextual Analysis و SAS(R) Enterprise Content طبقه بندی ، این کتاب یک مرجع فنی قوی ارائه می دهد. شما جعبه ابزار استخراج اطلاعات SAS را یاد خواهید گرفت، دانش خود را در مورد روشهای مبتنی بر قانون گسترش میدهید و به سؤالات تجاری جدید پاسخ میدهید. با افزایش تجربه عملی شما، این کتاب به عنوان مرجعی برای تعمیق تخصص شما خواهد بود.
Information extraction is the task of automatically extracting structured information from unstructured or semi-structured text. SAS(R) Text Analytics for Business Applications: Concept Rules for Information Extraction Models focuses on this key element of natural language processing (NLP) and provides real-world guidance on the effective application of text analytics.
Using scenarios and data based on business cases across many different domains and industries, the book includes many helpful tips and best practices from SAS text analytics experts to ensure fast, valuable insight from your textual data.
Written for a broad audience of beginning, intermediate, and advanced users of SAS text analytics products, including SAS(R) Visual Text Analytics, SAS(R) Contextual Analysis, and SAS(R) Enterprise Content Categorization, this book provides a solid technical reference. You will learn the SAS information extraction toolkit, broaden your knowledge of rule-based methods, and answer new business questions. As your practical experience grows, this book will serve as a reference to deepen your expertise.
Contents About This Book What Does This Book Cover? Is This Book for You? What Should You Know about the Examples? We Want to Hear from You Acknowledgments Chapter 1: Fundamentals of Information Extraction with SAS 1.1. Introduction to Information Extraction 1.2. The SAS IE Toolkit 1.3. Reasons for Using SAS IE 1.4. When You Should Use Other Approaches instead of SAS IE 1.5. Important Terms in the Book 1.6. Suggested Reading Chapter 2: Fundamentals of Named Entities 2.1. Introduction to Named Entities 2.2. Business Scenarios 2.3. The SAS Approach Chapter 3: SAS Predefined Concepts: Enamex 3.1. Introduction to SAS Predefined Concepts 3.2. Person 3.3. Place 3.4. Organization 3.5. Disambiguation of Matches Chapter 4: SAS Predefined Concepts: Timex, Numex, and Noun Group 4.1. Introduction to Other SAS Predefined Concepts 4.2. Date 4.3. Time 4.4. Money 4.5. Percent 4.6. Noun Group 4.7. Disambiguation of Matches 4.8. Supplementing Predefined Concepts Chapter 5: Fundamentals of Creating Custom Concepts 5.1. Introduction to Custom Concepts 5.2. LITI Rule Fundamentals 5.3. Custom Concept Fundamentals 5.4. Troubleshooting All Rule Types Chapter 6: Concept Rule Types 6.1. Introduction to the Concept Rule Types 6.2. CLASSIFIER Rule Type 6.3. CONCEPT Rule Type 6.4. C_CONCEPT Rule Type Chapter 7: CONCEPT_RULE Type 7.1. Introduction to the CONCEPT_RULE Type 7.2. Basic Use 7.3. Advanced Use: Multiple and Embedded Operators 7.4. Advanced Use: Negation Using NOT 7.5. Advanced Use: Negation Using UNLESS 7.6. Advanced Use: Coreference and Aliases 7.7. Troubleshooting 7.8. Best Practices 7.9. Summary Chapter 8: Fact Rule Types 8.1. Introduction to Fact Rule Types 8.2. SEQUENCE Rule Type 8.3. PREDICATE_RULE Rule Type Chapter 9: Filter Rule Types 9.1. Introduction to Filter Rule Types 9.2. REMOVE_ITEM Rule Type 9.3. NO_BREAK Rule Type Chapter 10: REGEX Rule Type 10.1. Introduction to the REGEX Rule Type 10.2. Basic Use 10.3. Advanced Use: Discovery of Patterns 10.4. Advanced Use: Exploration 10.5. Advanced Use: Identification of Tokens for Splitting in Post-processing 10.6. Advanced Use: Information Field 10.7. Troubleshooting REGEX 10.8. Best Practices for Using REGEX 10.9. Summary of REGEX Chapter 11: Best Practices for Custom Concepts 11.1. Introduction to Boolean and Proximity Operators 11.2. Best Practices for Using Operators 11.3. Best Practices for Selecting Rule Types 11.3. Concept Rules in Models Chapter 12: Fundamentals of Data Considerations 12.1. Introduction to Projects 12.2. Data Considerations 12.3. Data Evaluation 12.4. Data Exploration 12.5. Data Analysis 12.6. Business Goals and Targeted Information 12.7. Suggested Reading Chapter 13: Fundamentals of Project Design 13.1. Introduction to Project Design 13.2. Definition of Targeted Information 13.3. Taxonomy Design 13.4. Project Settings 13.5. Suggested Reading Chapter 14: Fundamentals of Model Measurement 14.1. Introduction to Model Measurement 14.2. Use of a Gold Standard Corpus 14.3. Setup of a Gold Standard Corpus 14.4. Setup of Approximate Annotations 14.5. Creation of Samples for Development and Testing 14.6. Model Quality and Decisions 14.7. Model Monitoring 14.8. Suggested Reading References