Come iniziare l'elaborazione del linguaggio naturale

Recensioni dei lettori

Il libro è stato apprezzato per il suo stile di scrittura chiaro e per l'approccio strutturato alla spiegazione dei concetti di elaborazione del linguaggio naturale (NLP), fornendo un equilibrio tra teoria e applicazione pratica. Tuttavia, soffre di una scarsa qualità di stampa, in quanto la maggior parte del testo è in tonalità di grigio, rendendo più difficile la lettura, soprattutto degli esempi di codifica.

⬤ Consegna rapida
⬤ spiegazione ben strutturata e logica dei concetti di PNL
⬤ stile di scrittura chiaro
⬤ esempi pratici
⬤ utile sia per i principianti che per i lettori esperti
⬤ esperienza di apprendimento arricchente
⬤ attenzione unica al profilo dell'autore come compito.

Qualità di stampa scadente, con il testo stampato in varie tonalità di grigio che lo rendono difficile da leggere; gli esempi di codifica sono in grigio chiaro e difficili da distinguere.

(basato su 5 recensioni dei lettori)

Titolo originale:

Getting Started with Natural Language Processing

Contenuto del libro:

Un'introduzione approfondita alle competenze e alle tecniche di PNL che consentono ai computer di parlare in modo umano.

In Getting Started with Natural Language Processing imparerete a conoscere:

Concetti e algoritmi fondamentali dell'NLP.

Librerie Python utili per l'NLP.

Costruire un algoritmo di ricerca.

Estrarre informazioni dal testo grezzo.

Prevedere il sentiment di un testo in ingresso.

Profilazione degli autori.

Etichettatura degli argomenti.

Riconoscimento di entità denominate.

Getting Started with Natural Language Processing è una guida piacevole e comprensibile che aiuta a progettare i primi algoritmi di NLP. Il vostro tutor è la dottoressa Ekaterina Kochmar, docente presso l'Università di Bath, che ha aiutato migliaia di studenti a muovere i primi passi con l'NLP. Ricco di codice Python e di progetti pratici, ogni capitolo fornisce un esempio concreto con tecniche pratiche che potrete mettere subito in pratica. Se siete alle prime armi con la PNL e volete migliorare le vostre applicazioni con funzioni e caratteristiche come l'estrazione di informazioni, la profilazione degli utenti e l'etichettatura automatica degli argomenti, questo è il libro che fa per voi.

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

Informazioni sulla tecnologia.

Dagli altoparlanti intelligenti ai chatbot del servizio clienti, le applicazioni che comprendono il testo e il parlato sono ovunque. L'elaborazione del linguaggio naturale, o NLP, è la chiave di questa potente forma di interazione tra uomo e computer. E una nuova generazione di strumenti e tecniche rende più facile che mai iniziare a lavorare con l'NLP!

Il libro.

Getting Started with Natural Language Processing vi insegna come migliorare le applicazioni rivolte all'utente con funzionalità basate su testo e voce. Grazie alle spiegazioni accessibili e agli esempi pratici di questo libro, imparerete ad applicare l'NLP all'analisi del sentiment, alla profilazione degli utenti e a molto altro ancora. Ogni nuovo progetto si basa su quanto appreso in precedenza, introducendo nuovi concetti e competenze. Grazie ai pratici diagrammi e agli intuitivi esempi di codice Python, è facile iniziare, anche se non si ha un background nell'apprendimento automatico!

Cosa contiene.

Concetti e algoritmi fondamentali di NLP.

Estrazione di informazioni dal testo grezzo.

Librerie Python utili.

Etichettatura degli argomenti.

Costruire un algoritmo di ricerca.

Informazioni sul lettore.

È necessaria una conoscenza di base di Python. Non è richiesta alcuna esperienza di PNL.

Informazioni sull'autore.

Ekaterina Kochmar è docente presso il Dipartimento di Informatica dell'Università di Bath, dove fa parte del gruppo di ricerca sull'intelligenza artificiale.

Indice dei contenuti.

1 Introduzione.

2 Il primo esempio di NLP.

3 Introduzione alla ricerca di informazioni.

4 Estrazione di informazioni.

5 Il profilo dell'autore come compito di apprendimento automatico.

6 Ingegneria delle caratteristiche linguistiche per la profilazione degli autori.

7 Il vostro primo analizzatore di sentiment utilizzando i lessici di sentiment.

8 Sentiment analysis con un approccio data-driven.

9 Analisi degli argomenti.

10 Modellazione degli argomenti.

11 Riconoscimento di entità denominate.