Apprendimento profondo per l'elaborazione del linguaggio naturale

Recensioni dei lettori

Il libro fornisce una panoramica fondamentale dei metodi di deep learning nell'elaborazione del linguaggio naturale (NLP), trattando argomenti quali la rappresentazione del testo, gli approcci di modellazione e i meccanismi di attenzione. Tuttavia, presenta notevoli inconvenienti, tra cui una copertura poco approfondita degli argomenti, la mancanza di esempi utilizzabili a causa dell'assenza di set di dati e una scarsa pratica di codifica in Python.

Buona panoramica delle applicazioni del deep learning in NLP, concetti di TensorFlow ben spiegati, copertura unica dell'apprendimento multi-task.

Informazioni obsolete, mancanza di un repository GitHub, scarsa copertura degli argomenti rispetto ad altre risorse, errori di codice e pratiche di codifica mal spiegate, nessuna aderenza alle convenzioni di codifica Python standard.

(basato su 3 recensioni dei lettori)

Titolo originale:

Deep Learning for Natural Language Processing

Contenuto del libro:

Esplora i problemi più impegnativi dell'elaborazione del linguaggio naturale e impara a risolverli con l'apprendimento profondo all'avanguardia!

All'interno di Deep Learning for Natural Language Processing troverete un'ampia gamma di approfondimenti sull'NLP, tra cui:

Una panoramica su NLP e deep learning.

Rappresentazioni del testo a caldo.

Incorporazione di parole.

Modelli per la similarità testuale.

NLP sequenziale.

Etichettatura dei ruoli semantici.

NLP basato sulla memoria profonda.

Struttura linguistica.

Iperparametri per l'NLP profondo.

L'apprendimento profondo ha fatto avanzare l'elaborazione del linguaggio naturale a nuovi livelli entusiasmanti e a nuove potenti applicazioni! Per la prima volta, i sistemi informatici possono raggiungere livelli "umani" di riassunto, creazione di collegamenti e altri compiti che richiedono comprensione e contesto. Deep Learning for Natural Language Processing rivela le tecniche rivoluzionarie che rendono possibili queste innovazioni. Stephan Raaijmakers distilla la sua vasta conoscenza in utili best practice, applicazioni reali e il funzionamento interno dei migliori algoritmi di NLP.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia.

L'apprendimento profondo ha trasformato il campo dell'elaborazione del linguaggio naturale. Le reti neurali riconoscono non solo parole e frasi, ma anche modelli. I modelli deducono il significato dal contesto e determinano il tono emotivo. I potenti modelli di PNL basati sull'apprendimento profondo aprono una miniera d'oro di potenziali utilizzi.

Informazioni sul libro.

Deep Learning for Natural Language Processing insegna a creare applicazioni avanzate di NLP utilizzando Python e la libreria di deep learning Keras. Imparerete a utilizzare strumenti e tecniche all'avanguardia, come BERT e XLNET, l'apprendimento multitask e l'NLP basato sulla memoria profonda. Esempi affascinanti consentono di fare esperienza pratica con una serie di applicazioni NLP del mondo reale. Inoltre, le discussioni dettagliate sul codice vi mostrano esattamente come adattare ogni esempio ai vostri usi!

Cosa contiene.

Migliorate la risposta alle domande con la PNL sequenziale.

Aumentare le prestazioni con l'apprendimento linguistico multitask.

Interpretare con precisione la struttura linguistica.

Padroneggiare le tecniche di incorporazione di più parole.

Informazioni sul lettore.

Per lettori con competenze intermedie in Python e una conoscenza generale di PNL. Non è richiesta alcuna esperienza con il deep learning.

Informazioni sull'autore.

Stephan Raaijmakers è professore di IA comunicativa all'Università di Leiden e scienziato senior presso l'Organizzazione olandese per la ricerca scientifica applicata (TNO).

Indice dei contenuti.

PARTE 1 INTRODUZIONE.

1 L'apprendimento profondo per l'NLP.

2 Deep learning e linguaggio: Le basi.

3 Incorporazione del testo.

PARTE 2 DEEP NLP.

4 Somiglianza testuale.

5 NLP sequenziale.

6 La memoria episodica per la PNL.

PARTE 3 ARGOMENTI AVANZATI.

7 L'attenzione.

8 Apprendimento multitask.

9 Trasformatori.

10 Applicazioni dei trasformatori: pratica con il BERT.