Blueprints for Text Analytics Using Python : Solutions basées sur l'apprentissage automatique pour des applications courantes dans le monde réel (Nlp)

Avis des lecteurs

Résumé:

Ce livre est très apprécié pour son approche pratique du traitement du langage naturel (NLP), expliquant efficacement les principes fondamentaux et fournissant des plans utiles pour diverses tâches NLP. Bien qu'il soit loué pour sa clarté et ses outils modernes, certains lecteurs trouvent son format distrayant par rapport aux livres traditionnels, et il y a des préoccupations quant à la qualité physique.

Avantages:

⬤ Excellente explication des principes fondamentaux de la PNL et des flux de travail.
⬤ Des exemples pratiques et des schémas faciles à adapter.
⬤ Mise à jour avec des bibliothèques modernes comme spaCy.
⬤ Bien structuré, il convient aussi bien aux débutants qu'aux étudiants avancés.
⬤ Soutenu par de bonnes ressources en ligne, y compris des liens GitHub et Colab.
⬤ Les recettes mènent à des idées concrètes et combinent les applications pratiques avec le contexte théorique.

Inconvénients:

⬤ Certains utilisateurs préfèrent un format de livre plus traditionnel plutôt qu'un style de plan.
⬤ La qualité du livre physique a été remise en question, des pages étant tombées.
⬤ Certains contenus peuvent sembler basiques pour ceux qui sont déjà familiarisés avec la PNL.
⬤ Les changements dans les API peuvent nécessiter des mises à jour des exemples.

(basé sur 15 avis de lecteurs)

Titre original :

Blueprints for Text Analytics Using Python: Machine Learning-Based Solutions for Common Real World (Nlp) Applications

Contenu du livre :

Transformer un texte en informations précieuses est essentiel pour les entreprises qui cherchent à acquérir un avantage concurrentiel. Grâce aux récentes améliorations apportées au traitement du langage naturel (NLP), les utilisateurs disposent désormais de nombreuses options pour résoudre des problèmes complexes.

Mais il n'est pas toujours évident de savoir quels outils ou bibliothèques de TAL répondent aux besoins d'une entreprise, ni quelles techniques utiliser et dans quel ordre. Ce livre pratique fournit aux scientifiques des données et aux développeurs des schémas de solutions de meilleures pratiques pour les tâches courantes d'analyse de texte et de traitement du langage naturel. Les auteurs, Jens Albrecht, Sidharth Ramachandran et Christian Winkler, proposent des études de cas réels et des exemples de code détaillés en Python pour vous aider à démarrer rapidement.

Extrayez des données à partir d'API et de pages web. Préparer des données textuelles pour l'analyse statistique et l'apprentissage automatique.

Utiliser l'apprentissage automatique pour la classification, la modélisation des sujets et le résumé. Expliquer les modèles d'IA et les résultats de la classification. Explorer et visualiser les similitudes sémantiques à l'aide d'enchâssements de mots.

Identifier le sentiment des clients dans les commentaires sur les produits. Créer un graphe de connaissances basé sur des entités nommées et leurs relations.

Autres informations sur le livre :

• ISBN : 9781492074083
• Auteur : Jens Albrecht
• Éditeur : Oreilly Media
• Reliure : Broché
• Année de publication : 2020
• Nombre de pages : 350