Text Analytics with Python: A Practitioner's Guide to Natural Language Processing

ویرایش: [2nd ed.] 
نویسندگان: Dipanjan Sarkar  
سری:  
ISBN (شابک) : 9781484243534 
ناشر: Apress 
سال نشر: 2019 
تعداد صفحات: XXIV, 674
[688] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 Mb 

قیمت کتاب (تومان) : 40,000



از پردازش زبان طبیعی (NLP) در پایتون استفاده کنید و یاد بگیرید که چگونه محیط قوی خود را برای انجام تجزیه و تحلیل متن تنظیم کنید. این ویرایش دوم یک تغییر اساسی را پشت سر گذاشته است و چندین تغییر مهم و موضوعات جدید را بر اساس روندهای اخیر در NLP معرفی می کند.

می‌بینید که چگونه می‌توانید از آخرین چارچوب‌های پیشرفته در NLP، همراه با یادگیری ماشین و مدل‌های یادگیری عمیق برای تجزیه و تحلیل احساسات نظارت‌شده توسط Python برای حل مطالعات موردی واقعی استفاده کنید. با مرور پایتون برای مبانی NLP در رشته‌ها و داده‌های متنی شروع کنید و به روش‌های بازنمایی مهندسی برای داده‌های متنی، از جمله مدل‌های آماری سنتی و مدل‌های تعبیه مبتنی بر یادگیری عمیق جدیدتر بروید. تکنیک های بهبود یافته و روش های جدید در مورد تجزیه و پردازش متن نیز مورد بحث قرار می گیرد.

خلاصه‌سازی متن و مدل‌های موضوعی بازنگری شده‌اند، بنابراین کتاب نحوه ساخت، تنظیم و تفسیر مدل‌های موضوعی را در زمینه مجموعه داده‌های مورد علاقه در مقالات کنفرانس NIPS نشان می‌دهد. علاوه بر این، این کتاب تکنیک‌های مشابهت متن را با نمونه‌ای از توصیه‌کنندگان فیلم در دنیای واقعی، همراه با تحلیل احساسات با استفاده از تکنیک‌های نظارت شده و بدون نظارت پوشش می‌دهد.

همچنین فصلی به تحلیل معنایی اختصاص دارد که در آن شما خواهید دید که چگونه از ابتدا سیستم شناسایی موجودیت نامگذاری شده (NER) خود را بسازید. در حالی که ساختار کلی کتاب یکسان است، کل پایه کد، ماژول‌ها و فصل‌ها به آخرین نسخه Python 3.x به‌روزرسانی شده‌اند.

چه خواهید آموخت
• درک NLP و نحو متن، معناشناسی و ساختار• کشف تمیز کردن متن و مهندسی ویژگی• بررسی طبقه بندی متن و خوشه بندی متن • ارزیابی خلاصه متن و مدل های موضوع• مطالعه یادگیری عمیق برای NLP
این کتاب برای
متخصصان فناوری اطلاعات، تحلیلگران داده، توسعه دهندگان، کارشناسان زبان شناسی، دانشمندان و مهندسان داده و اساساً هر کسی که علاقه شدیدی به زبان شناسی، تجزیه و تحلیل و ایجاد بینش از داده های متنی دارد.
</ p>

Leverage Natural Language Processing (NLP) in Python and learn how to set up your own robust environment for performing text analytics. This second edition has gone through a major revamp and introduces several significant changes and new topics based on the recent trends in NLP.

You’ll see how to use the latest state-of-the-art frameworks in NLP, coupled with machine learning and deep learning models for supervised sentiment analysis powered by Python to solve actual case studies. Start by reviewing Python for NLP fundamentals on strings and text data and move on to engineering representation methods for text data, including both traditional statistical models and newer deep learning-based embedding models. Improved techniques and new methods around parsing and processing text are discussed as well.

Text summarization and topic models have been overhauled so the book showcases how to build, tune, and interpret topic models in the context of an interest dataset on NIPS conference papers. Additionally, the book covers text similarity techniques with a real-world example of movie recommenders, along with sentiment analysis using supervised and unsupervised techniques.

There is also a chapter dedicated to semantic analysis where you’ll see how to build your own named entity recognition (NER) system from scratch. While the overall structure of the book remains the same, the entire code base, modules, and chapters has been updated to the latest Python 3.x release.

What You'll Learn

• Understand NLP and text syntax, semantics and structure• Discover text cleaning and feature engineering• Review text classification and text clustering • Assess text summarization and topic models• Study deep learning for NLP
Who This Book Is For
IT professionals, data analysts, developers, linguistic experts, data scientists and engineers and basically anyone with a keen interest in linguistics, analytics and generating insights from textual data.