Alkalmazott természetes nyelvfeldolgozás a vállalatoknál: A gépek olvasni, írni és megérteni tanítása

Olvasói vélemények

A könyv gyakorlatias megközelítést kínál az NLP elsajátításához, a valós alkalmazásokra összpontosítva, így a nem akadémiai felhasználók számára is alkalmas. Ugyanakkor hiányoznak belőle a világos példák és a rosszul dokumentált kód, ami csökkenti a hatékonyságát.

⬤ Gyakorlati összpontosítás a valós problémák megoldására.
⬤ Naprakész a jelenlegi NLP-technológiával.
⬤ Világos szervezés és írásmód.
⬤ Értékes a nem akadémikusok számára, akik az NLP-t az üzleti életben szeretnék alkalmazni.

⬤ A példák gyakran nem úgy futnak, ahogyan azt tervezték.
⬤ A forráskód és az adatkészletek gyenge dokumentációja.
⬤ Sok felhasználó szerint a gyakorlati alkalmazásból hiányoznak a vizualizációk és az áttekinthetőség.
⬤ Néhány olvasó úgy érezte, hogy a kevés valós példa miatt elvesztegették a pénzüket.

(8 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Az NLP népszerűsége az elmúlt néhány évben robbanásszerűen megnőtt. De miközben a Google, a Facebook, az OpenAI és mások egyre nagyobb nyelvi modelleket adnak ki, sok csapat még mindig küzd azzal, hogy olyan NLP-alkalmazásokat építsen, amelyek megfelelnek a hype-nak. Ez a gyakorlati útmutató segít eligazodni az NLP legújabb és legígéretesebb trendjeiben.

A gépi tanulás alapvető ismereteivel és némi Python-tapasztalattal megtanulhatja, hogyan építsen, képezzen és telepítsen modelleket valós alkalmazásokhoz a szervezetében. A szerzők, Ankur Patel és Ajay Uppili Arasanipalai végigvezetnek a folyamaton olyan kódok és példák segítségével, amelyek kiemelik a modern NLP legjobb gyakorlatait.

⬤ Használja a legkorszerűbb NLP-modelleket, például a BERT-et és a GPT-3-at, hogy olyan NLP-feladatokat oldjon meg, mint a nevesített entitások felismerése, szövegosztályozás, szemantikus keresés és olvasásértés.

⬤ Tréningelje az NLP-modelleket a kész rendszerek teljesítményéhez hasonló vagy azt meghaladó teljesítménnyel.

⬤ Tanuljon a Transformer architektúráról és az olyan modern trükkökről, mint a transzfer tanulás, amelyek viharszerűen meghódították az NLP világát.

⬤ Ismerkedjen meg a szakma eszközeivel, köztük a spaCy, az Hugging Face és a fast. ai.

⬤ Építse meg az NLP-csatorna alapvető részeit - beleértve a tokenizátorokat, beágyazásokat és nyelvi modelleket - a semmiből a Python és a PyTorch segítségével.

⬤ Vegye ki modelljeit a Jupyter notebookokból, és tanulja meg, hogyan telepítse, felügyelje és karbantartja azokat a termelésben.