Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from your Data

ویرایش: 1 
نویسندگان: Dipanjan Sarkar (auth.)  
سری:  
ISBN (شابک) : 9781484223871, 9781484223888 
ناشر: Apress 
سال نشر: 2016 
تعداد صفحات: 397 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 59,000



از داده های خود با استفاده از پایتون بینش های مفیدی بدست آورید. تکنیک های مربوط به پردازش زبان طبیعی و تجزیه و تحلیل متن را بیاموزید و مهارت هایی را به دست آورید که بدانید کدام تکنیک برای حل یک مشکل خاص مناسب تر است.

تجزیه و تحلیل متن با پایتون به هر دوی شما می آموزد. مفاهیم اولیه و پیشرفته از جمله نحو متن و زبان، ساختار، معناشناسی. شما بر روی الگوریتم‌ها و تکنیک‌هایی مانند طبقه‌بندی متن، خوشه‌بندی، مدل‌سازی موضوع و خلاصه‌سازی متن تمرکز خواهید کرد.

یک رویکرد ساختاریافته و جامع در این کتاب دنبال شده است تا خوانندگانی که تجربه اندکی دارند یا اصلاً تجربه ندارند، خود را غرق نکنند. شما با مبانی زبان طبیعی و پایتون شروع کرده و به مفاهیم پیشرفته تحلیلی و یادگیری ماشینی خواهید پرداخت. شما به هر تکنیک و الگوریتم با دید پرنده نگاه خواهید کرد تا بفهمید که چگونه می توان از آن و همچنین با دید میکروسکوپی برای درک مفاهیم ریاضی و پیاده سازی آنها برای حل مسائل خود استفاده کرد.

این کتاب:

• پوشش کاملی از مفاهیم و تکنیک های اصلی پردازش زبان طبیعی (NLP) و تجزیه و تحلیل متن ارائه می دهد
• شامل مثال‌های عملی در دنیای واقعی از تکنیک‌های پیاده‌سازی، مانند ساختن یک سیستم طبقه‌بندی متن برای دسته‌بندی مقالات خبری، تجزیه و تحلیل مرورهای برنامه یا بازی با استفاده از مدل‌سازی موضوع و خلاصه‌سازی متن، و خوشه‌بندی خلاصه‌های فیلم محبوب و تجزیه و تحلیل احساسات نقدهای فیلم
• پیاده‌سازی‌های مبتنی بر Python و چندین کتابخانه منبع باز محبوب را در NLP و تجزیه و تحلیل متن، مانند جعبه ابزار زبان طبیعی (nltk)، gensim، scikit-learn، spaCy و Pattern نشان می‌دهد

آنچه یاد خواهید گرفت: • مفاهیم زبان طبیعی • تجزیه و تحلیل نحو و ساختار متن • طبقه بندی متن • خوشه بندی متن و تجزیه و تحلیل شباهت • خلاصه سازی متن • تجزیه و تحلیل معنایی و احساسی خوانندگان: متخصصان فناوری اطلاعات، تحلیلگران، توسعه دهندگان، کارشناسان زبانشناسی، دانشمندان داده، و هر کسی که علاقه زیادی به زبان شناسی، تجزیه و تحلیل، و ایجاد بینش از داده های متنی دارد.

Derive useful insights from your data using Python. Learn the techniques related to natural language processing and text analytics, and gain the skills to know which technique is best suited to solve a particular problem.

Text Analytics with Python teaches you both basic and advanced concepts, including text and language syntax, structure, semantics. You will focus on algorithms and techniques, such as text classification, clustering, topic modeling, and text summarization.

A structured and comprehensive approach is followed in this book so that readers with little or no experience do not find themselves overwhelmed. You will start with the basics of natural language and Python and move on to advanced analytical and machine learning concepts. You will look at each technique and algorithm with both a bird's eye view to understand how it can be used as well as with a microscopic view to understand the mathematical concepts and to implement them to solve your own problems.

This book:

• Provides complete coverage of the major concepts and techniques of natural language processing (NLP) and text analytics
• Includes practical real-world examples of techniques for implementation, such as building a text classification system to categorize news articles, analyzing app or game reviews using topic modeling and text summarization, and clustering popular movie synopses and analyzing the sentiment of movie reviews
• Shows implementations based on Python and several popular open source libraries in NLP and text analytics, such as the natural language toolkit (nltk), gensim, scikit-learn, spaCy and Pattern

What you will learn: • Natural Language concepts• Analyzing Text syntax and structure• Text Classification• Text Clustering and Similarity analysis• Text Summarization • Semantic and Sentiment analysis Readership :IT professionals, analysts, developers, linguistic experts, data scientists, and anyone with a keen interest in linguistics, analytics, and generating insights from textual data.

Front Matter....Pages i-xxi
Natural Language Basics....Pages 1-50
Python Refresher....Pages 51-106
Processing and Understanding Text....Pages 107-165
Text Classification....Pages 167-215
Text Summarization....Pages 217-263
Text Similarity and Clustering....Pages 265-317
Semantic and Sentiment Analysis....Pages 319-376
Back Matter....Pages 377-385