Text Analytics with Python
Beschrijving
Leer hoe je Natural Language Processing (NLP) in Python kunt benutten en maak je eigen robuuste omgeving voor tekstanalyses. Deze tweede editie van het boek is grondig herzien en introduceert belangrijke veranderingen en nieuwe onderwerpen die inspelen op de recente trends in NLP. Je ontdekt hoe je gebruik kunt maken van de nieuwste state-of-the-art frameworks in NLP, samengevoegd met machine learning en deep learning om echte casestudy’s op te lossen.
In de eerste hoofdstukken krijg je een basis in Python voor NLP, waarbij de nadruk ligt op strings en tekstdata. Vervolgens leer je over techniek en feature engineering, waarbij zowel traditionele statistische modellen als nieuwere deep learning-gebaseerde embeddingmodellen aan bod komen. De tekstverwerking en parsing technieken zijn verbeterd met behulp van nieuwe methoden.
Toepassingen van NLP
De verschillende toepassingen van NLP komen uitgebreid aan bod:
- Tekstclassificatie: Leer hoe je een tekstclassificatiesysteem kunt bouwen om nieuwsartikelen te categoriseren en de sentimentanalyse van app- of spelrecensies uit te voeren met topicmodelling en tekstsamenvattingen.
- Clustering: Annalyseer populaire filmsynopsissen door clusteringtechnieken toe te passen.
- Tekstsamenvatting en topicmodellen: Deze sectie is ingrijpend vernieuwd en laat zien hoe je topicmodellen kunt opbouwen, afstemmen en interpreteren met behulp van datasets zoals die van NIPS-conferentiepapers.
Geavanceerde Technieken
Naast de basisprincipes behandelt het boek ook geavanceerde technieken in de NLP:
- Sentimentanalyse: Leer zowel supervisie- als unsupervised-technieken toe te passen met behulp van machine learning en deep learning.
- Semantische Analyse: In dit hoofdstuk zie je hoe je een eigen Named Entity Recognition (NER) systeem vanaf de grond kunt opbouwen.
- Deep Learning voor NLP: Deze nieuwe sectie belicht de beloften van deep learning met praktische voorbeelden van diepgaande transfer learning.
Voor Wie Dit Boek Geschikt Is
Dit boek is bedoeld voor IT-professionals, data-analisten, ontwikkelaars, linguïstische experts, datawetenschappers en iedereen die geïnteresseerd is in linguïstiek, analyses en het genereren van inzichten uit tekstuele data.
Door de combinatie van theoretische concepten en praktische implementaties met populaire open-source bibliotheken zoals NLTK, Gensim, scikit-learn, spaCy en Pattern, krijg je de vaardigheden in handen om de juiste technieken toe te passen op specifieke problemen in jouw werk. Transformeer je begrip van tekstanalyses met deze uitgebreide gids en ontdek de eindeloze mogelijkheden die NLP biedt.
Beschrijving
Leer hoe je Natural Language Processing (NLP) in Python kunt benutten en maak je eigen robuuste omgeving voor tekstanalyses. Deze tweede editie van het boek is grondig herzien en introduceert belangrijke veranderingen en nieuwe onderwerpen die inspelen op de recente trends in NLP. Je ontdekt hoe je gebruik kunt maken van de nieuwste state-of-the-art frameworks in NLP, samengevoegd met machine learning en deep learning om echte casestudy’s op te lossen.
In de eerste hoofdstukken krijg je een basis in Python voor NLP, waarbij de nadruk ligt op strings en tekstdata. Vervolgens leer je over techniek en feature engineering, waarbij zowel traditionele statistische modellen als nieuwere deep learning-gebaseerde embeddingmodellen aan bod komen. De tekstverwerking en parsing technieken zijn verbeterd met behulp van nieuwe methoden.
Toepassingen van NLP
De verschillende toepassingen van NLP komen uitgebreid aan bod:
- Tekstclassificatie: Leer hoe je een tekstclassificatiesysteem kunt bouwen om nieuwsartikelen te categoriseren en de sentimentanalyse van app- of spelrecensies uit te voeren met topicmodelling en tekstsamenvattingen.
- Clustering: Annalyseer populaire filmsynopsissen door clusteringtechnieken toe te passen.
- Tekstsamenvatting en topicmodellen: Deze sectie is ingrijpend vernieuwd en laat zien hoe je topicmodellen kunt opbouwen, afstemmen en interpreteren met behulp van datasets zoals die van NIPS-conferentiepapers.
Geavanceerde Technieken
Naast de basisprincipes behandelt het boek ook geavanceerde technieken in de NLP:
- Sentimentanalyse: Leer zowel supervisie- als unsupervised-technieken toe te passen met behulp van machine learning en deep learning.
- Semantische Analyse: In dit hoofdstuk zie je hoe je een eigen Named Entity Recognition (NER) systeem vanaf de grond kunt opbouwen.
- Deep Learning voor NLP: Deze nieuwe sectie belicht de beloften van deep learning met praktische voorbeelden van diepgaande transfer learning.
Voor Wie Dit Boek Geschikt Is
Dit boek is bedoeld voor IT-professionals, data-analisten, ontwikkelaars, linguïstische experts, datawetenschappers en iedereen die geïnteresseerd is in linguïstiek, analyses en het genereren van inzichten uit tekstuele data.
Door de combinatie van theoretische concepten en praktische implementaties met populaire open-source bibliotheken zoals NLTK, Gensim, scikit-learn, spaCy en Pattern, krijg je de vaardigheden in handen om de juiste technieken toe te passen op specifieke problemen in jouw werk. Transformeer je begrip van tekstanalyses met deze uitgebreide gids en ontdek de eindeloze mogelijkheden die NLP biedt.
Productspecificaties
Prijshistorie
Prijzen voor het laatst bijgewerkt op:
Gerelateerde producten
Naar shop
