Обработка естественного языка в действии
Последние достижения в области глубокого обучения позволяют создавать приложения, с исключительной точностью распознающие текст и речь. Что в результате? Появляются чат-боты, ведущие диалог не хуже реальных людей, программы, эффективно подбирающие резюме под заданную вакансию, развивается превосходный предиктивный поиск, автоматически генерируются аннотации документов. Благодаря новым приемам и инструментам, таким как Keras и Tensorflow, сегодня возможно как никогда просто реализовать качественную обработку естественного языка (NLP).
«Обработка естественного языка в действии» станет вашим руководством по созданию программ, способных распознавать и интерпретировать человеческий язык. В издании рассказано, как с помощью готовых пакетов на языке Python извлекать из текста смыслы и адекватно ими распоряжаться. В книге дается расширенная трактовка традиционных методов NLP, что позволит задействовать нейронные сети, современные алгоритмы глубокого обучения и генеративные приемы при решении реальных задач, таких как выявление дат и имен, составление текстов и ответов на неожиданные вопросы.
«Обработка естественного языка в действии» станет вашим руководством по созданию программ, способных распознавать и интерпретировать человеческий язык. В издании рассказано, как с помощью готовых пакетов на языке Python извлекать из текста смыслы и адекватно ими распоряжаться. В книге дается расширенная трактовка традиционных методов NLP, что позволит задействовать нейронные сети, современные алгоритмы глубокого обучения и генеративные приемы при решении реальных задач, таких как выявление дат и имен, составление текстов и ответов на неожиданные вопросы.
Жас шектеулері: 12+
Құқық иегері: Питер
Баспа: Питер
Аудармашылар: Сергей Черников, Игорь Пальти
Қағаз беттер: 1012
Дәйексөздер29
В теории вычислительной техники и математике слово «грамматика» означает набор правил, определяющих, является ли последовательность символов допустимым элементом языка, называемого машинным (компьютерным) или формальным языком.
LDiA хорошо подходит для поиска объяснимых тем вроде используемых для автоматического реферирования. И неплохо создает пригодные для линейной классификации темы.
Они просто смоделировали статистические показатели для смеси слов, которая бы была частью конкретного BOW для каждого из документов.
