Aprendizaje profundo para el procesamiento del lenguaje natural

Opiniones de los lectores

El libro proporciona una visión general de los métodos de aprendizaje profundo en el procesamiento del lenguaje natural (PLN), cubriendo temas como la representación de texto, enfoques de modelado y mecanismos de atención. Sin embargo, tiene inconvenientes importantes, como la cobertura superficial de los temas, la falta de ejemplos utilizables debido a la ausencia de conjuntos de datos y las malas prácticas de codificación en Python.

Buena visión general de las aplicaciones del aprendizaje profundo en PNL, conceptos bien explicados de TensorFlow, cobertura única del aprendizaje multitarea.

Información obsoleta, carece de un repositorio GitHub complementario, cobertura superficial de los temas en comparación con otros recursos, errores tipográficos en el código y prácticas de codificación mal explicadas, y no se adhiere a las convenciones de codificación estándar de Python.

(basado en 3 opiniones de lectores)

Título original:

Deep Learning for Natural Language Processing

Contenido del libro:

Explore los problemas más desafiantes del procesamiento del lenguaje natural y aprenda a resolverlos con el aprendizaje profundo de vanguardia.

Dentro de Deep Learning for Natural Language Processing encontrará una gran cantidad de conocimientos de PNL, incluyendo:

Una visión general de la PNL y el aprendizaje profundo.

Representaciones de texto.

Incrustaciones de palabras.

Modelos de similitud textual.

PNL secuencial.

Etiquetado de roles semánticos.

PNL basada en memoria profunda.

Estructura lingüística.

Hiperparámetros para la PNL profunda.

El aprendizaje profundo ha llevado el procesamiento del lenguaje natural a nuevos niveles y a nuevas y potentes aplicaciones. Por primera vez, los sistemas informáticos pueden alcanzar niveles "humanos" de resumen, establecimiento de conexiones y otras tareas que requieren comprensión y contexto. Deep Learning for Natural Language Processing revela las técnicas revolucionarias que hacen posible estas innovaciones. Stephan Raaijmakers destila sus amplios conocimientos en mejores prácticas útiles, aplicaciones del mundo real y el funcionamiento interno de los mejores algoritmos de PNL.

La compra del libro impreso incluye un libro electrónico gratuito en formatos PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología.

El aprendizaje profundo ha transformado el campo del procesamiento del lenguaje natural. Las redes neuronales no sólo reconocen palabras y frases, sino también patrones. Los modelos deducen el significado del contexto y determinan el tono emocional. Los potentes modelos de PNL basados en el aprendizaje profundo abren una mina de oro de usos potenciales.

Acerca del libro.

Deep Learning for Natural Language Processing le enseña a crear aplicaciones avanzadas de PLN utilizando Python y la biblioteca de aprendizaje profundo Keras. Aprenderá a utilizar herramientas y técnicas de última generación, como BERT y XLNET, aprendizaje multitarea y NLP basado en memoria profunda. Fascinantes ejemplos le proporcionarán experiencia práctica con una variedad de aplicaciones de PNL del mundo real. Además, las discusiones detalladas del código le muestran exactamente cómo adaptar cada ejemplo a sus propios usos.

Contenido.

Mejore la respuesta a preguntas con PNL secuencial.

Aumente el rendimiento con el aprendizaje lingüístico multitarea.

Interprete con precisión la estructura lingüística.

Dominar múltiples técnicas de incrustación de palabras.

Sobre el lector.

Para lectores con conocimientos intermedios de Python y conocimientos generales de PNL. No se requiere experiencia con aprendizaje profundo.

Sobre el autor.

Stephan Raaijmakers es profesor de Inteligencia Artificial Comunicativa en la Universidad de Leiden y científico senior en la Organización Holandesa para la Investigación Científica Aplicada (TNO).

Índice de contenidos.

PARTE 1 INTRODUCCIÓN.

1 Aprendizaje profundo para la PNL.

2 Aprendizaje profundo y lenguaje: Conceptos básicos.

3 Incrustación de textos.

PARTE 2 DEEP NLP.

4 Similitud textual.

5 PNL secuencial.

6 Memoria episódica para la PNL.

PARTE 3 TEMAS AVANZADOS.

7 Atención.

8 Aprendizaje multitarea.

9 Transformadores.

10 Aplicaciones de los transformadores: prácticas con BERT.