پردازش زبان طبیعی

پردازش زبان طبیعی Livelessonons پوشش فرآیند فرآوری زبان طبیعی را به روش ساده و بصری پوشش می دهد، توانمند سازی شما را به اضافه کردن NLP به Toolkit شما. با استفاده از بسته قدرتمند NLTK، به طرز وحشیانه ای از مبانی نمایندگی متن، تمیز کردن، تمپستی، اصطلاحات منظم و تجزیه و تحلیل احساسات قبل از رفتن به چارچوب یادگیری عمیق Thekeras حرکت می کند تا موضوعات پیشرفته تر مانند مدل های متنوع و مدل های توالی را بررسی کند. پس از موفقیت به طور موفقیت آمیز درس های خود را با یک ابزار و الگوریتم های عملیاتی طبیعی و عملی، مجهز خواهید شد.
توضیحات درس
درس 1، نمایندگی های متن: اولین گام در هر برنامه NLP نشانه گذاری و نمایندگی از متن از طریق رمزگذاری های یک گرم و کیسه ای از کلمات است. به طور طبیعی، همه کلمات معنی دار نیستند، بنابراین گام بعدی حذف کلمات کلیدی بی معنی و شناسایی کلمات مرتبط ترین برای درخواست شما با استفاده از TF-IDF است. گام بعدی شناسایی n-grams است. در نهایت، شما یاد می گیرید که چگونه تعبیهات کلمه را می توان به عنوان نمایندگی های معنایی معنایی مورد استفاده قرار داد و همه چیز را با یک نسخه ی نمایشی عملی انجام داد.
درس 2، تمیز کردن متن: درس 2 بر روی نمایش های متن درس 1 با استفاده از STEMMING و LEMMATISTION برای شناسایی ریشه های کلمات و کاهش اندازه واژگان. بعد می آید اعزام عبارات منظم را برای شناسایی کلمات مطابق با الگوهای خاص. این درس با استفاده از این تکنیک ها به پایان می رسد.
درس 3، به نام نهادها به رسمیت شناخته شده: در به رسمیت شناختن نهادهای نام شما، رویکردهای خود را برای تگ کلمات به وسیله بخشی از سخنرانی که آنها مطابقت دارد، توسعه می دهد. شما همچنین قبل از به رسمیت شناختن نهادهای نامی که موضوع متن شما هستند، گروه های معنی دار کلمات را با استفاده از تکه تکه کردن و تکان دادن شناسایی کنید. درس به پایان می رسد با تظاهرات کل خط لوله از متن خام به نهادهای نامیده می شود.
درس 4، مدل سازی موضوع: درس 4 در مورد توسعه راه های شناسایی آنچه موضوع اصلی یا موضوعات متن است. آن را با کشف تجزیه و تحلیل صریح معنایی برای پیدا کردن اسناد ذکر شده به یک موضوع خاص آغاز می شود و سپس به اسناد خوشه ای بر اساس موضوعات تبدیل می شود. تجزیه و تحلیل معنایی پنهان، یک راه قدرتمند دیگر برای استخراج معنی از متن خام را فراهم می کند، همانطور که تخصیص پنهان Dirichlet است. فاکتور سازی ماتریس غیر منفی شما را قادر به شناسایی ابعاد پنهان در متن و انجام توصیه ها و اندازه گیری شباهت ها می کند. در نهایت، یک نسخه ی نمایشی دست شما را از طریق استفاده از تمام این تکنیک ها هدایت می کند.
درس 5، تجزیه و تحلیل احساسات: پس از شناسایی موضوعات تحت پوشش در یک سند، جای بعدی برای رفتن این است که چگونه شما اطلاعات احساسات را استخراج کنید. به عبارت دیگر، چه نوع احساساتی بیان می شود؟ آیا کلمات از مثبت یا منفی استفاده می شود؟ گام بعدی این است که در نظر گرفتن نحوه رسیدگی به نحوه رسیدگی به نفی و اصلاح کننده ها و استفاده از رویکردهای مبتنی بر Corpus برای تعریف ارزش هر کلمه ای که در نسخه ی نمایشی درس نشان داده شده است.
درس 6، طبقه بندی متن: در این درس شما یاد می گیرید برای استفاده از شبکه های تغذیه رو به جلو و شبکه های عصبی کانولوشن برای طبقه بندی احساسات نظرات فیلم به عنوان یک مورد آزمون برای نحوه استفاده از رویکردهای یادگیری ماشین در زمینه NLP. همچنین برنامه های کاربردی بیشتر این رویکرد را قبل از ادامه دادن به یک نسخه ی نمایشی در نظر می گیرد.
درس 7، مدل سازی توالی: درس 7 بر مبنای پایه های ارائه شده در درس قبلی برای بررسی استفاده از معماری شبکه عصبی مجدد برای طبقه بندی متن . قبل از رفتن به واحدهای مجزا و حافظه کوتاه مدت، با معماری اولیه RNN شروع می شود. این همچنین شامل بحث مدل های خودکار رمزگذار و نسل متن است. درس با نسخه ی نمایشی پیچیده می شود.
درس 8، برنامه های کاربردی: این دوره بر روی برخی از ابزارهای اساسی و نه چندان اولیه پردازش زبان طبیعی متمرکز شده است. این درس نهایی برنامه های خاص و موضوعات پیشرفته را در نظر می گیرد. شاید یکی از مهمترین پیشرفت های NLP در سال های اخیر، محبوبیت تعبیه کلمات به طور کلی و Word2EC به طور خاص است. این شما را قادر می سازد تا عمیق تر به نمایندگی های بردار کلمات و مفاهیم و چگونگی روابط معنایی را از طریق جبر بردار بیان کنید. دستکش رقیب اصلی Word2Vec است، بنابراین این درس همچنین مزایا و معایب آن را بررسی می کند. همچنین مورد بحث قرار گرفت، کاربرد بالقوه یادگیری انتقال به NLP و سوال تشخیص زبان است. درس با نسخه ی نمایشی پایان می یابد.

عنوان اصلی : Natural Language Processing, 2nd Edition

سرفصل های دوره :

00 مقدمه:
001 پردازش زبان طبیعی: مقدمه
01 درس 1: نمایش متن:
001 اهداف یادگیری 001
002 en-hot encoding
003 کیسه کلمات
004 کلمات متوقف شده
005 TF-IDF
006 n-grams
007 کار با جاسازی های کلمه
008 نسخه ی نمایشی
02 درس 2: تمیز کردن متن:
001 اهداف یادگیری 001
002 002
003 003 lemmatization
004 عبارات منظم
005 نسخه ی تمیز کردن متن نسخه ی نمایشی
03 درس 3: به رسمیت شناختن نهادها:
001 اهداف یادگیری 001
002 بخشی از برچسب زدن گفتار
003 003
004 toginking
005 به نام به رسمیت شناختن نهادها
006 نسخه ی نمایشی
04 درس 4: مدل سازی موضوع:
001 اهداف یادگیری 001
002 تجزیه و تحلیل معنایی صریح
003 خوشه سند
004 تجزیه و تحلیل معنایی پنهان
005 lda
006 فاکتور ماتریس غیر منفی
007 نسخه ی نمایشی
05 درس 5: تجزیه و تحلیل احساسات:
001 اهداف یادگیری 001
002 تعداد و احساسات را اندازه گیری کنید
003 نفی و اصلاح کننده
004 رویکردهای مبتنی بر Corpus
005 نسخه ی نمایشی
06 درس 6: طبقه بندی متن:
001 اهداف یادگیری 001
002 شبکه های تغذیه به جلو
003 شبکه های عصبی convunctional
004 برنامه های کاربردی
005 نسخه ی نمایشی
07 درس 7: مدل سازی توالی:
001 اهداف یادگیری 001
002 شبکه های عصبی مکرر
003 واحد عود مجدد
004 حافظه کوتاه مدت کوتاه مدت
005 مدل خودکار رمزگذار
006 نسخه ی نمایشی
08 درس 8: برنامه های کاربردی:
001 اهداف یادگیری 001
002 end2vec embeddeds
003 دستکش
004 یادگیری انتقال
005 تشخیص زبان
006 نسخه ی نمایشی