Прикладной анализ текстовых данных на Python (Бенджамин Бенгфорд, Ребекка Билбро)

​

Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения.
Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога.

Почему же Сири, Алекса и Алиса не хотят нас понимать, Google находит не то, что мы ищем, а машинные переводчики веселят нас примерами «трудностей перевода» с китайского на албанский? Ответ кроется в мелочах – в алгоритмах, которые правильно работают в теории, но сложно реализуются на практике.

Научитесь применять методы машинного обучения для анализа текста в реальных задачах, используя возможности и библиотеки Python.
От поиска модели и предварительной обработки данных вы перейдете к приемам классификации и кластеризации текстов, затем приступите к визуальной интерпретации, анализу графов, а после знакомства с приемами масштабирования научитесь использовать глубокое обучение для анализа текста.

Спойлер: Оглавление

Оглавление
Вступление
Сложности компьютерной обработки естественного языка
Лингвистические данные: лексемы и слова
Внедрение машинного обучения
Инструменты для анализа текста
О чем рассказывается в этой книге
Кому адресована эта книга
Примеры кода и репозиторий на GitHub
Типографские соглашения
Использование программного кода примеров
От издательства
Благодарности
Глава 1 Естественные языки и вычисления
Парадигма Data Science
Приложения данных, основанные на анализе естественного языка
Конвейер приложения данных
Тройка выбора модели
Язык как данные
Компьютерная модель языка
Лингвистические признаки
Контекстные признаки
Структурные признаки
В заключение
Глава 2 Создание собственного корпуса
Что такое корпус?
Предметные корпусы
Движок сбора данных Baleen
Управление корпусом данных
Структура корпуса на диске
Объекты чтения корпусов
Потоковый доступ к данным с помощью NLTK
Чтение корпуса HTML
Чтение корпуса из базы данных
В заключение
Глава 3 Предварительная обработка и преобразование корпуса
Разбивка документов
Выявление и извлечение основного контента
Разделение документов на абзацы
Сегментация: выделение предложений
Лексемизация: выделение лексем
Маркировка частями речи
Промежуточный анализ корпуса
Трансформация корпуса
Чтение предварительно обработанного корпуса
В заключение
Глава 4 Конвейеры векторизации и преобразования
Слова в пространстве
Частотные векторы
Прямое кодирование
Частота слова — обратная частота документа
Распределенное представление
Scikit-Learn API
Интерфейс BaseEstimator
Расширение TransformerMixin
Конвейеры
Основы конвейеров
Поиск по сетке для оптимизации гиперпараметров
Усовершенствование извлечения признаков с помощью объектов FeatureUnion
В заключение
Глава 5 Классификация в текстовом анализе
Классификация текста
Идентификация задач классификации
Модели классификации
Создание приложений классификации текста
Перекрестная проверка
Конструирование модели
Оценка модели
Эксплуатация модели
В заключение
Глава 6 Кластеризация для выявления сходств в тексте
Обучение на текстовых данных без учителя
Кластеризация документов по сходству
Метрики расстояния
Партитивная кластеризация
Иерархическая кластеризация
Моделирование тематики документов
Латентное размещение Дирихле
Латентно-семантический анализ
Неотрицательное матричное разложение
В заключение
Глава 7 Контекстно-зависимый анализ текста
Извлечение признаков на основе грамматики
Контекстно-свободные грамматики
Синтаксические парсеры
Извлечение ключевых фраз
Извлечение сущностей
Извлечение признаков на основе n-грамм
Чтение корпуса с поддержкой n-грамм
Выбор размера n-грамм
Значимые словосочетания
Модели языка n-грамм
Частота и условная частота
Оценка максимальной вероятности
Неизвестные слова: возвраты и сглаживание
Генерация языка
В заключение
Глава 8 Визуализация текста
Визуализация пространства признаков
Визуальный анализ признаков
Управление конструированием признаков
Диагностика моделей
Визуализация кластеров
Визуализация классов
Диагностика ошибок классификации
Визуальная настройка
Оценка силуэта и локтевые кривые
В заключение
Глава 9 Графовые методы анализа текста
Вычисление и анализ графов
Создание тезауруса на основе графа
Анализ структуры графа
Визуальный анализ графов
Извлечение графов из текста
Создание социального графа
Исследование социального графа
Разрешение сущностей
Разрешение сущностей в графе
Блокирование по структуре
Нечеткое блокирование
В заключение
Глава 10 Чат-боты
Основы диалогового взаимодействия
Диалог: непродолжительный обмен
Управление диалогом
Правила вежливой беседы
Приветствие и прощание
Обработка ошибок при общении
Занимательные вопросы
Анализ зависимостей
Анализ составляющих
Выявление вопроса
От столовых ложек к граммам
Обучение для рекомендаций
Соседство
Предложение рекомендаций
В заключение
Глава 11 Масштабирование анализа текста
Модуль multiprocessing
Запуск параллельных задач
Пулы процессов и очереди
Параллельная обработка корпуса
Кластерные вычисления с использованием Spark
Устройство заданий в Spark
Распределение корпуса
Операции RDD
Обработка естественного языка в Spark
В заключение
Глава 12 Глубокое обучение и не только
Прикладные нейронные сети
Нейронные модели языка
Искусственные нейронные сети
Архитектуры глубокого обучения
Анализ эмоциональной окраски
Глубокий анализ структуры
Будущее (почти) наступило
Глоссарий
Об авторах
Выходные данные

Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка
БенгфортБ., БилброР., ОхедаТ.
Год: 2019
Страниц: 368
Формат: PDF

 

​