Avis des lecteurs
Résumé:Le livre est loué pour son style clair et conversationnel, sa couverture complète des concepts de la PNL et de la science des données, et sa valeur éducative. Cependant, il souffre d'exemples de code obsolètes, d'un contenu répétitif, d'erreurs d'impression et d'un manque de clarté dans certains domaines, ce qui diminue son efficacité globale en tant que manuel.
Avantages:⬤ Une écriture claire et agréable
⬤ Un contenu complet sur le NLP et la science des données
⬤ De nombreux exemples de code
⬤ Hautement recommandé pour les amateurs d'analyse de texte
⬤ De bonnes explications et un langage lucide.
⬤ Exemples de code dépassés qui souvent ne fonctionnent pas
⬤ Contenu répétitif dans les chapitres
⬤ Erreurs d'impression et graphiques en niveaux de gris
⬤ Certains lecteurs l'ont trouvé ennuyeux et trop verbeux.
(basé sur 11 avis de lecteurs)
Titre original :
Text Analytics with Python: A Practitioner's Guide to Natural Language Processing
Contenu du livre :
Tirez parti du traitement du langage naturel (NLP) en Python et apprenez à mettre en place votre propre environnement robuste pour effectuer des analyses de texte. Cette deuxième édition a fait l'objet d'une refonte majeure et introduit plusieurs changements significatifs et de nouveaux sujets basés sur les tendances récentes du NLP.
Vous verrez comment utiliser les derniers frameworks de pointe en NLP, associés à des modèles d'apprentissage automatique et d'apprentissage profond pour l'analyse de sentiments supervisée par Python, afin de résoudre des études de cas réelles. Nous commencerons par revoir les principes fondamentaux de Python pour le TAL sur les chaînes de caractères et les données textuelles, puis nous passerons aux méthodes de représentation d'ingénierie pour les données textuelles, y compris les modèles statistiques traditionnels et les nouveaux modèles d'intégration basés sur l'apprentissage profond. Les techniques améliorées et les nouvelles méthodes d'analyse et de traitement du texte sont également abordées.
Le résumé de texte et les modèles de sujets ont été révisés, de sorte que le livre montre comment construire, régler et interpréter les modèles de sujets dans le contexte d'un ensemble de données d'intérêt sur les articles de la conférence NIPS. En outre, le livre couvre les techniques de similarité de texte avec un exemple réel de recommandateurs de films, ainsi que l'analyse de sentiment en utilisant des techniques supervisées et non supervisées.
Un chapitre est également consacré à l'analyse sémantique, dans lequel vous verrez comment construire votre propre système de reconnaissance des entités nommées (NER) à partir de zéro. Bien que la structure générale du livre reste la même, l'ensemble du code, des modules et des chapitres a été mis à jour avec la dernière version de Python 3.x.
Ce que vous apprendrez
- Comprendre le TAL et la syntaxe, la sémantique et la structure des textes - Découvrir le nettoyage des textes et l'ingénierie des caractéristiques - Examiner la classification et le regroupement des textes - Évaluer le résumé des textes et les modèles de sujets - Étudier l'apprentissage profond pour le TAL.
A qui s'adresse ce livre ?
Les professionnels de l'informatique, les analystes de données, les développeurs, les experts linguistiques, les scientifiques et les ingénieurs des données et, en fait, toute personne ayant un intérêt marqué pour la linguistique, l'analytique et la production de connaissances à partir de données textuelles.
Autres informations sur le livre :
| ISBN : | 9781484243534 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 674 |
Achat:
Actuellement disponible, en stock.
