Analisi del testo con Python: Guida pratica all'elaborazione del linguaggio naturale

Recensioni dei lettori

Il libro è stato apprezzato per il suo stile di scrittura chiaro e discorsivo, per la copertura completa dei concetti di PNL e scienza dei dati e per il suo valore educativo. Tuttavia, soffre di esempi di codice obsoleti, contenuti ripetitivi, errori di stampa e mancanza di chiarezza in alcune aree, che ne riducono l'efficacia complessiva come libro di testo.

⬤ Scrittura chiara e discorsiva
⬤ Contenuti esaurienti su PNL e scienza dei dati
⬤ Molti esempi di codice
⬤ Consigliato agli appassionati di analisi del testo
⬤ Buone spiegazioni e linguaggio lucido.

⬤ Esempi di codice obsoleti che spesso non funzionano
⬤ Contenuti ripetitivi nei vari capitoli
⬤ Errori di stampa e grafica in scala di grigi
⬤ Alcuni lettori lo hanno trovato noioso ed eccessivamente prolisso.

(basato su 11 recensioni dei lettori)

Titolo originale:

Text Analytics with Python: A Practitioner's Guide to Natural Language Processing

Contenuto del libro:

Sfruttate l'elaborazione del linguaggio naturale (NLP) in Python e imparate a creare un ambiente solido per l'analisi del testo. Questa seconda edizione ha subito un'importante revisione e introduce diversi cambiamenti significativi e nuovi argomenti basati sulle recenti tendenze dell'NLP.

Vedrete come utilizzare gli ultimi framework all'avanguardia in NLP, insieme a modelli di machine learning e deep learning per l'analisi del sentiment supervisionata con Python per risolvere casi di studio reali. Si inizia con una revisione dei fondamenti di Python per l'NLP su stringhe e dati testuali e si passa ai metodi di rappresentazione ingegneristica dei dati testuali, compresi i modelli statistici tradizionali e i più recenti modelli di embedding basati sul deep learning. Vengono inoltre discusse tecniche migliorate e nuovi metodi di parsing ed elaborazione del testo.

La riassunzione del testo e i modelli di argomento sono stati rivisti e il libro mostra come costruire, sintonizzare e interpretare i modelli di argomento nel contesto di un set di dati di interesse sui documenti della conferenza NIPS. Inoltre, il libro tratta le tecniche di somiglianza del testo con un esempio reale di raccomandatori di film, oltre all'analisi del sentiment con tecniche supervisionate e non supervisionate.

C'è anche un capitolo dedicato all'analisi semantica in cui si vedrà come costruire da zero il proprio sistema di riconoscimento delle entità denominate (NER). Mentre la struttura generale del libro rimane invariata, l'intera base di codice, i moduli e i capitoli sono stati aggiornati all'ultima versione di Python 3.x.

Che cosa imparerete?

- Comprendere la PNL e la sintassi, la semantica e la struttura del testo - Scoprire la pulizia del testo e l'ingegneria delle caratteristiche - Rivedere la classificazione del testo e il clustering del testo - Valutare la sintesi del testo e i modelli di argomento - Studiare il deep learning per la PNL.

Per chi è questo libro?

Professionisti IT, analisti di dati, sviluppatori, esperti di linguistica, data scientist e ingegneri e, in sostanza, chiunque abbia un forte interesse per la linguistica, l'analisi e la generazione di intuizioni dai dati testuali.