۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت می‌کنید.
این فایل با Calibre، Apple Books و سایر کتابخوان‌های دیجیتال مناسب است.
اینکه متن را به اطلاعاتی ارزشمند تبدیل کنیم، برای بسیاری از کسب‌وکارها حیاتی است؛ چون می‌خواهند از این راه به برتری رقابتی دست پیدا کنند. در حوزه پردازش زبان طبیعی پیشرفت‌های زیادی رخ داده و کاربران گزینه‌های فراوانی برای کار روی یک مسئله در اختیار دارند. با این حال، همیشه مشخص نیست که برای استفاده تجاری، کدام ابزارها یا کتابخانه‌های NLP واقعاً مناسب هستند؛ یا اینکه باید از چه تکنیک‌هایی استفاده کنید و آن‌ها را به چه ترتیبی پیش ببرید.
این کتاب کاربردی، هم پیش‌زمینه نظری را ارائه می‌کند و هم مطالعات موردی واقعی را با مثال‌های کدنویسی دقیق در اختیار می‌گذارد تا به توسعه‌دهندگان و دانشمندان داده کمک کند از متن‌های آنلاین بینش به دست آورند. نویسندگان، Jens Albrecht، Sidharth Ramachandran و Christian Winkler، برای مسائل مربوط به متن «راهنما»هایی ارائه می‌کنند که در آن‌ها از روش‌های پیشرفته یادگیری ماشین استفاده شده است؛ روش‌هایی که با پایتون پیاده‌سازی می‌شوند.
اگر درک بنیادی از آمار و یادگیری ماشین دارید و تجربه برنامه‌نویسی به‌صورت پایه در پایتون داشته باشید، آماده شروع خواهید بود. در این کتاب یاد می‌گیرید چگونه:
داده‌های متنی را در قالب‌های مختلف جست‌وجو، پاک‌سازی، سپس بررسی و تصویرسازی کنید
برای یادگیری ماشین، متن را پیش‌پردازش و بردارسازی (vectorize) کنید
روش‌هایی را برای طبقه‌بندی، تحلیل موضوعات، خلاصه‌سازی و استخراج دانش به کار ببرید
از نمایش‌های معناییِ کلمات و رویکردهای یادگیری عمیق برای مسائل پیچیده استفاده کنید
با کتابخانه‌های NLP پایتون مانند spaCy، NLTK و Gensim، در کنار scikit-learn، Pandas و PyTorch کار کنید
Turning text into valuable information is essential for many businesses looking to gain a competitive advantage. There have been many improvements in natural language processing and users have a lot of options when choosing to work on a problem. However, it's not always clear which NLP tools or libraries would work for a business use--or which techniques you should use and in what order. This practical book provides theoretical background and real-world case studies with detailed code examples to help developers and data scientists obtain insight from text online. Authors Jens Albrecht, Sidharth Ramachandran, and Christian Winkler use blueprints for text-related problems that apply state-of-the-art machine learning methods in Python. If you have a fundamental understanding of statistics and machine learning along with basic programming experience in Python, you're ready to get started. You'll learn how to: Crawl and clean then explore and visualize textual data in different formats Preprocess and vectorize text for machine learning Apply methods for classification, topic analysis, summarization, and knowledge extraction Use semantic word embeddings and deep learning approaches for complex problems Work with Python NLP libraries like spaCy, NLTK, and Gensim in combination with scikit-learn, Pandas, and PyTorch
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)