Elaborazione applicata del linguaggio naturale nell'impresa: Insegnare alle macchine a leggere, scrivere e capire

Recensioni dei lettori

Il libro offre un approccio pratico all'apprendimento della PNL con un'attenzione particolare alle applicazioni del mondo reale, rendendolo adatto anche a utenti non accademici. Tuttavia, soffre di una mancanza di esempi chiari e di un codice poco documentato, che ne pregiudicano l'efficacia.

⬤ Focus pratico sulla risoluzione di problemi del mondo reale.
⬤ Aggiornato con l'attuale tecnologia NLP.
⬤ Organizzazione e scrittura chiare.
⬤ Valido per i non accademici che vogliono applicare la PNL nel mondo degli affari.

⬤ Gli esempi spesso non funzionano come previsto.
⬤ Scarsa documentazione del codice sorgente e dei dataset.
⬤ Molti utenti hanno trovato l'applicazione pratica carente in termini di visualizzazioni e chiarezza.
⬤ Alcuni lettori hanno ritenuto di aver sprecato il loro denaro a causa dell'insufficienza di esempi reali.

(basato su 8 recensioni dei lettori)

Titolo originale:

Applied Natural Language Processing in the Enterprise: Teaching Machines to Read, Write, and Understand

Contenuto del libro:

La PNL è esplosa in popolarità negli ultimi anni. Ma mentre Google, Facebook, OpenAI e altri continuano a rilasciare modelli linguistici sempre più grandi, molti team hanno ancora difficoltà a costruire applicazioni NLP all'altezza del successo. Questa guida pratica vi aiuta a conoscere le tendenze più recenti e promettenti dell'NLP.

Con una conoscenza di base dell'apprendimento automatico e un po' di esperienza con Python, imparerete a costruire, addestrare e distribuire modelli per applicazioni reali nella vostra organizzazione. Gli autori Ankur Patel e Ajay Uppili Arasanipalai vi guidano attraverso il processo utilizzando codice ed esempi che evidenziano le migliori pratiche del moderno NLP.

⬤ Utilizzare modelli NLP all'avanguardia come BERT e GPT-3 per risolvere compiti NLP come il riconoscimento di entità denominate, la classificazione di testi, la ricerca semantica e la comprensione della lettura.

⬤ Addestrare modelli di NLP con prestazioni paragonabili o superiori a quelle dei sistemi standard.

⬤ Imparare l'architettura di Transformer e i trucchi moderni come l'apprendimento per trasferimento che hanno conquistato il mondo dell'NLP.

⬤ Prendere confidenza con gli strumenti del mestiere, tra cui spaCy, Hugging Face e fast. ai.

⬤ Costruire parti fondamentali della pipeline NLP, tra cui tokenizer, embedding e modelli linguistici, partendo da zero utilizzando Python e PyTorch.

⬤ Estrarre i modelli dai taccuini Jupyter e imparare a distribuirli, monitorarli e mantenerli in produzione.