Avis des lecteurs
Résumé:Le livre fournit une vue d'ensemble fondamentale des méthodes d'apprentissage profond dans le traitement du langage naturel (NLP), couvrant des sujets tels que la représentation du texte, les approches de modélisation et les mécanismes d'attention. Cependant, il présente des inconvénients importants, notamment une couverture superficielle des sujets, un manque d'exemples utilisables en raison de l'absence d'ensembles de données, et de mauvaises pratiques de codage en Python.
Avantages:Bonne vue d'ensemble des applications de l'apprentissage profond en NLP, concepts de TensorFlow bien expliqués, couverture unique de l'apprentissage multi-tâches.
Inconvénients:Informations obsolètes, absence d'un dépôt GitHub complémentaire, couverture superficielle des sujets par rapport à d'autres ressources, fautes de frappe dans le code et pratiques de codage mal expliquées, et non-respect des conventions de codage Python standard.
(basé sur 3 avis de lecteurs)
Titre original :
Deep Learning for Natural Language Processing
Contenu du livre :
Le traitement du langage naturel est un domaine dans lequel l'apprentissage profond (Deep Learning for Natural Language Processing) a une place prépondérante, et il est possible de le résoudre grâce à l'apprentissage profond (Deep Learning).
Dans Deep Learning for Natural Language Processing, vous trouverez une mine d'informations sur le traitement du langage naturel, notamment :
Une vue d'ensemble du TAL et de l'apprentissage profond.
Représentations de texte à un point.
Les enchâssements de mots.
Modèles de similarité textuelle.
NLP séquentiel.
Étiquetage des rôles sémantiques.
NLP basé sur la mémoire profonde.
Structure linguistique.
Hyperparamètres pour le NLP profond.
L'apprentissage profond a fait progresser le traitement du langage naturel vers de nouveaux niveaux passionnants et de nouvelles applications puissantes ! Pour la première fois, les systèmes informatiques peuvent atteindre des niveaux "humains" de résumé, de mise en relation et d'autres tâches qui requièrent compréhension et contexte. Deep Learning for Natural Language Processing révèle les techniques révolutionnaires qui rendent ces innovations possibles. Stephan Raaijmakers distille ses connaissances approfondies sous forme de meilleures pratiques utiles, d'applications réelles et de fonctionnement interne des meilleurs algorithmes de NLP.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie.
L'apprentissage profond a transformé le domaine du traitement du langage naturel. Les réseaux neuronaux reconnaissent non seulement les mots et les phrases, mais aussi les modèles. Les modèles déduisent le sens du contexte et déterminent le ton émotionnel. Les puissants modèles de NLP basés sur l'apprentissage profond ouvrent la voie à une mine d'or d'utilisations potentielles.
À propos du livre.
Deep Learning for Natural Language Processing vous apprend à créer des applications NLP avancées à l'aide de Python et de la bibliothèque d'apprentissage profond Keras. Vous apprendrez à utiliser des outils et des techniques de pointe, notamment BERT et XLNET, l'apprentissage multitâche et le NLP basé sur la mémoire profonde. Des exemples fascinants vous donnent une expérience pratique avec une variété d'applications NLP du monde réel. De plus, les discussions détaillées sur le code vous montrent exactement comment adapter chaque exemple à votre propre utilisation !
Ce qu'il y a à l'intérieur.
Améliorez la réponse aux questions avec la PNL séquentielle.
Augmentez vos performances grâce à l'apprentissage linguistique multitâche.
Interprétez avec précision la structure linguistique.
Maîtriser de multiples techniques d'intégration de mots.
À propos du lecteur.
Pour les lecteurs ayant des compétences intermédiaires en Python et une connaissance générale du NLP. Aucune expérience de l'apprentissage profond n'est requise.
À propos de l'auteur.
Stephan Raaijmakers est professeur d'intelligence artificielle communicative à l'université de Leyde et chercheur principal à l'Organisation néerlandaise pour la recherche scientifique appliquée (TNO).
Table des matières.
PARTIE 1 INTRODUCTION.
1 L'apprentissage profond pour le NLP.
2 Apprentissage profond et langage : Les bases.
3 Encastrements de texte.
PARTIE 2 : LA PNL PROFONDE.
4 Similitude textuelle.
5 PNL séquentiel.
6 La mémoire épisodique pour la PNL.
PARTIE 3 SUJETS AVANCÉS.
7 L'attention.
8 Apprentissage multitâche.
9 Les transformateurs.
10 Applications des transformateurs : pratique avec BERT.
Autres informations sur le livre :
| ISBN : | 9781617295447 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
