Bewertung:
Das Buch wird für seinen klaren und unterhaltsamen Schreibstil, die umfassende Abdeckung von NLP- und Data-Science-Konzepten und seinen pädagogischen Wert gelobt. Allerdings leidet es unter veralteten Code-Beispielen, sich wiederholenden Inhalten, Druckfehlern und mangelnder Klarheit in einigen Bereichen, die seine Gesamtwirksamkeit als Lehrbuch schmälern.
Vorteile:⬤ Klarer und verständlicher Schreibstil
⬤ Umfassender Inhalt zu NLP und Data Science
⬤ Viele Code-Beispiele
⬤ Sehr empfehlenswert für Liebhaber der Textanalyse
⬤ Gute Erklärungen und verständliche Sprache.
⬤ Veraltete Code-Beispiele, die oft nicht funktionieren
⬤ Sich wiederholende Inhalte in den Kapiteln
⬤ Druckfehler und Graustufen-Grafiken
⬤ Einige Leser fanden es langweilig und übermäßig ausführlich.
(basierend auf 11 Leserbewertungen)
Text Analytics with Python: A Practitioner's Guide to Natural Language Processing
Nutzen Sie Natural Language Processing (NLP) in Python und lernen Sie, wie Sie Ihre eigene robuste Umgebung für die Durchführung von Textanalysen einrichten können. Diese zweite Auflage wurde grundlegend überarbeitet und enthält mehrere wichtige Änderungen und neue Themen, die auf den jüngsten Trends im NLP basieren.
Sie werden sehen, wie Sie die neuesten State-of-the-Art-Frameworks in NLP, gekoppelt mit maschinellem Lernen und Deep-Learning-Modellen für die überwachte Sentiment-Analyse auf der Basis von Python nutzen können, um konkrete Fallstudien zu lösen. Beginnen Sie mit einem Überblick über die Grundlagen von Python für NLP bei Strings und Textdaten und gehen Sie weiter zu technischen Darstellungsmethoden für Textdaten, einschließlich traditioneller statistischer Modelle und neuerer Deep-Learning-basierter Einbettungsmodelle. Verbesserte Techniken und neue Methoden zum Parsen und Verarbeiten von Text werden ebenfalls besprochen.
Textzusammenfassung und Themenmodelle wurden überarbeitet, so dass das Buch zeigt, wie man Themenmodelle im Kontext eines interessanten Datensatzes von NIPS-Konferenzbeiträgen erstellt, abstimmt und interpretiert. Darüber hinaus behandelt das Buch Textähnlichkeitstechniken anhand eines realen Beispiels von Filmempfehlungsprogrammen sowie Stimmungsanalyse mit überwachten und unbeaufsichtigten Techniken.
Es gibt auch ein Kapitel, das der semantischen Analyse gewidmet ist, in dem Sie sehen werden, wie Sie Ihr eigenes NER-System (Named Entity Recognition) von Grund auf aufbauen können. Während die Gesamtstruktur des Buches gleich bleibt, wurden die gesamte Codebasis, die Module und die Kapitel auf die neueste Version von Python 3.x aktualisiert.
Was Sie lernen werden
- NLP und Textsyntax, -semantik und -struktur verstehen- Textbereinigung und Feature-Engineering entdecken- Textklassifikation und Textclustering überprüfen- Textzusammenfassung und Themenmodelle bewerten- Deep Learning für NLP studieren.
Für wen ist dieses Buch?
IT-Fachleute, Datenanalysten, Entwickler, Linguistikexperten, Datenwissenschaftler und -ingenieure und im Grunde jeder, der sich für Linguistik, Analytik und die Gewinnung von Erkenntnissen aus Textdaten interessiert.
| ISBN: | 9781484243534 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 674 |
Derzeit verfügbar, auf Lager.
