Modelling Natural Language with Claude Shannon's Notion of Surprisal
Vous êtes-vous déjà demandé comment les principes de la révolutionnaire théorie de l'information de Shannon pouvaient s'imbriquer dans le tissu complexe de la communication linguistique ? Ce livre vous emmène dans un voyage fascinant, offrant un aperçu de la façon dont les humains traitent et comprennent le langage. En appliquant la théorie de l'information au domaine de la sémantique du langage naturel, il dévoile le lien entre les régularités des messages linguistiques et les complexités cognitives du traitement du langage. Mettant en évidence les intersections de la théorie de l'information avec la linguistique, la philosophie, la psychologie cognitive et l'informatique, ce livre est une source d'inspiration pour tous ceux qui cherchent à comprendre les capacités prédictives de la théorie de l'information dans la modélisation de la communication humaine. Il développe les travaux fondamentaux de géants du domaine tels que Dretske, Hale et Zipf, en explorant des concepts tels que la théorie de la surprise et le principe du moindre effort.
Grâce à son approche empirique, ce livre ne se contente pas de discuter des aspects théoriques, mais s'aventure également dans l'application de la théorie de l'information de Shannon dans des scénarios linguistiques réels, renforcés par des méthodes statistiques avancées et l'apprentissage automatique. Il aborde des domaines difficiles tels que la distinction entre l'information mathématique et sémantique, le concept d'information dans les énoncés linguistiques et le jeu complexe entre la vérité, le contexte et la signification.
Que vous soyez linguiste, psychologue cognitif, philosophe ou simplement un passionné désireux de plonger dans le monde où le langage rencontre l'information, ce livre vous promet un voyage stimulant.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)