Обработка естественного языка в действии, Лейн Х., Дышель М., 2026

Обработка естественного языка в действии, Лейн Х., Дышель М., 2026.

   Последние достижения в области глубокого обучения позволяют создавать приложения, с исключительной точностью распознающие текст и речь. Что в результате? Появляются чат-боты, способные вести диалог не хуже реальных людей, программы, генерирующие персонализированные бизнес-отчеты, электронные письма, новости и даже романы.
«Обработка естественного языка в действии» — это практическое руководство для разработчиков, которые хотят превратить искусственный интеллект в инструмент, способный помогать людям и понимать их. Вы узнаете, как использовать Python, PyTorch, spaCy и современные архитектуры глубокого обучения для создания приложений, использующих обработку естественного языка (NLP), научитесь создавать чат-боты и системы поиска информации, использовать генеративные модели, а также защищать пользователей от дезинформации.
Второе издание было полностью переработано, теперь вы можете узнать о трансформерах BERT и Hugging Face, тонкой настройке больших языковых моделей и многом другом.




Языки программирования и NLP.
Языки программирования очень похожи на естественные языки, например английский. И те и другие используются для передачи инструкций из одной системы обработки информации в другую. И те и другие могут передавать мысли от человека к человеку, от человека к машине и даже от машины к машине. И в тех и в других используется концепция токенов, которые для простоты можно считать словами. Независимо от того, написан ли ваш текст на естественном языке или на языке программирования, машина первым делом разбивает его на токены. В языках программирования разнообразие токенов обычно невелико — например, в языке программирования Python используется всего 33 зарезервированных ключевых слова. В то же время словарный запас естественного языка насчитывает сотни тысяч возможных токенов.

И языки программирования, и естественные языки имеют грамматику — набор правил, определяющих, как объединять слова в последовательности для создания выражений или утверждений, понятных другим. Слова «выражение» и «утверждение» имеют схожие значения как в информатике, так и в грамматике естественного языка — они позволяют создавать грамматические правила для обработки текста. Возможно, вы слышали о регулярных выражениях в информатике. В этой книге вы будете использовать регулярные выражения для сопоставления шаблонов с произвольными текстами, включая тексты на естественном языке и на языке программирования. Но регулярные выражения — это лишь первый этап в освоении обработки естественного языка, за которым последуют подходы на основе машинного обучения, которые вы тоже будете учиться применять.

ОГЛАВЛЕНИЕ.
Часть I. Обработка слов: векторные модели естественного языка.
Глава 1. Модели, которые читают и пишут: знакомство с технологией NLP.
Глава 2. Знаки мысли: слова естественного языка.
Глава 3. Арифметика слов: векторы TF–IDF.
Глава 4. Поиск смысла слов по их частоте: семантический анализ.
Часть II. Более глубокое обучение: нейронные сети.
Глава 5. Словесный мозг: нейронные сети.
Глава 6. Умозаключения на основе векторных представлений слов.
Глава 7. Поиск крупиц знаний в тексте с помощью CNN.
Глава 8. Сокращение, повторное использование и переработка слов: RNN и LSTM.
Часть III. Поговорим серьезно: реальные задачи NLP.
Глава 9. Наращиваемое глубокое обучение: трансформеры.
Глава 10. Большие языковые модели в реальном мире.
Глава 11. Извлечение информации и графы знаний.
Глава 12. Начинаем общаться: диалоговые системы.
Приложения.
Приложение А. Инструменты NLP.
Приложение Б. Эксперименты с Python и регулярные выражения.
Приложение В. Векторы и линейная алгебра.
Приложение Г. Инструменты и методы машинного обучения.
Приложение Д. Развертывание контейнерных микросервисов NLU.
Приложение Е. Глоссарий.

Купить .



Хештеги: #учебник по программированию :: #программирование :: #Лейн :: #Дышель :: #программа