{"product_id":"154668","title":"파이썬 텍스트 마이닝 완벽 가이드","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDPLPVKCxekjBFZN2w85TezojvkY.png?v=1765081263\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\u003ccenter\u003e\n\u003cdiv style=\"width:95%\"\u003e\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e파이썬 텍스트 마이닝 완벽 가이드\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/117596408\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003eDescription\u003c\/div\u003e\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e책소개\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e \u003cdiv\u003e  텍스트 마이닝에는 자연어 처리, 통계, 딥러닝 기법에 대해 많은 지식이 필요하지만, 이론적인 내용에 얽매이다 보면 정작 구현은 너무 먼 이야기가 되어 버리기 쉽다.\u003cbr\u003e이 책에서는 실무에 바로 적용할 수 있는 실전적인 예제를 중심으로 텍스트 마이닝을 설명한다.\u003cbr\u003e특히 초보자를 위해 텍스트 전처리 과정의 개념과 다양하고 상세한 활용방법을 기초부터 설명한다.\u003cbr\u003e문서 분류와 감성 분석 같은 텍스트 마이닝 작업을 대상으로 다양한 머신러닝 기법을 사용하는 예를 보여주며, 차원을 축소하고 결과를 시각화하는 방법, 토픽 모델링을 수행하고 토픽 트렌드를 구해서 시각화하는 방법을 설명한다.\u003cbr\u003e\u003cbr\u003e기본적인 딥러닝 기법을 이용한 문서 분류 외에, 최근 많이 사용되는 BERT를 이용한 미세조정학습까지 포함한다.\u003cbr\u003e또, 사전학습 언어모델에 대한 관심이 높아짐에 따라, 사전학습 언어모델의 이론적 내용과 다양한 트랜스포머 변형 모형을 설명한다.\u003cbr\u003e그리고 트랜스포머 모형을 활용한 문서 요약, 질의 응답의 실습과 미세조정학습을 추가했다.\u003cbr\u003e더불어 한국어 문서 분석에 자신을 갖도록 대부분의 장에 관련 예제를 충분히 다뤘다.\u003cbr\u003e \u003c\/div\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cul\u003e \u003cli\u003e 책의 일부 내용을 미리 읽어보실 수 있습니다.\u003cbr\u003e\u003cspan\u003e미리보기\u003c\/span\u003e\n\u003c\/li\u003e \u003c\/ul\u003e \u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e목차\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e  \u003cb\u003e[1부] 텍스트 마이닝 기초\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01장: 텍스트 마이닝 기초\u003cbr\u003e1.1 텍스트 마이닝의 정의\u003cbr\u003e1.2 텍스트 마이닝 패러다임의 변화 \u003cbr\u003e___1.2.1 카운트 기반의 문서 표현\u003cbr\u003e___1.2.2 시퀀스 기반의 문서 표현\u003cbr\u003e1.3 텍스트 마이닝에 필요한 지식과 도구\u003cbr\u003e___1.3.1 자연어 처리 기법\u003cbr\u003e___1.3.2 통계학과 선형대수\u003cbr\u003e___1.3.3 시각화 기법\u003cbr\u003e___1.3.4 머신러닝\u003cbr\u003e___1.3.5 딥러닝\u003cbr\u003e1.4 텍스트 마이닝의 주요 적용분야 \u003cbr\u003e___1.4.1 문서 분류\u003cbr\u003e___1.4.2 문서 생성\u003cbr\u003e___1.4.3 문서 요약\u003cbr\u003e___1.4.4 질의응답\u003cbr\u003e___1.4.5 기계번역\u003cbr\u003e___1.4.6 토픽 모델링\u003cbr\u003e1.5 이 책의 실습 환경과 사용 소프트웨어\u003cbr\u003e___1.5.1 기본 실습 환경\u003cbr\u003e___1.5.2 자연어 처리 관련 라이브러리\u003cbr\u003e___1.5.3 머신러닝 관련 라이브러리 \u003cbr\u003e___1.5.4 딥러닝 관련 라이브러리\u003cbr\u003e\u003cbr\u003e 02장: 텍스트 전처리\u003cbr\u003e2.1 텍스트 전처리의 개념\u003cbr\u003e___2.1.1 왜 전처리가 필요한가?\u003cbr\u003e___2.1.2 전처리의 단계\u003cbr\u003e___2.1.3 실습 구성\u003cbr\u003e2.2 토큰화\u003cbr\u003e___2.2.1 문장 토큰화\u003cbr\u003e___2.2.2 단어 토큰화 \u003cbr\u003e___2.2.3 정규표현식을 이용한 토큰화\u003cbr\u003e___2.2.4 노이즈와 불용어 제거 \u003cbr\u003e2.3 정규화\u003cbr\u003e___2.3.1 어간 추출 \u003cbr\u003e___2.3.2 표제어 추출\u003cbr\u003e2.4 품사 태깅\u003cbr\u003e___2.4.1 품사의 이해\u003cbr\u003e___2.4.2 NLTK를 활용한 품사 태깅\u003cbr\u003e___2.4.3 한글 형태소 분석과 품사 태깅\u003cbr\u003e___2.4.4 참고자료\u003cbr\u003e\u003cbr\u003e 03장: 그래프와 워드 클라우드 \u003cbr\u003e3.1 단어 빈도 그래프 - 많이 쓰인 단어는?\u003cbr\u003e3.2 워드 클라우드로 내용을 한눈에 보기 \u003cbr\u003e3.3 한국어 문서에 대한 그래프와 워드 클라우드\u003cbr\u003e\u003cbr\u003e\u003cb\u003e[2부] BOW 기반의 텍스트 마이닝\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 04장: 카운트 기반의 문서 표현 \u003cbr\u003e4.1 카운트 기반 문서 표현의 개념\u003cbr\u003e4.2 BOW 기반의 카운트 벡터 생성\u003cbr\u003e4.3 사이킷런으로 카운트 벡터 생성\u003cbr\u003e4.4 한국어 텍스트의 카운트 벡터 변환\u003cbr\u003e___4.4.1 데이터 다운로드\u003cbr\u003e4.5 카운트 벡터의 활용\u003cbr\u003e4.6 TF-IDF로 성능을 높여보자\u003cbr\u003e\u003cbr\u003e 05장: BOW 기반의 문서 분류\u003cbr\u003e5.1 20 뉴스그룹 데이터 준비 및 특성 추출\u003cbr\u003e___5.1.1 데이터셋 확인 및 분리\u003cbr\u003e___5.1.2 카운트 기반 특성 추출\u003cbr\u003e5.2 머신러닝과 문서 분류 과정에 대한 이해 \u003cbr\u003e5.3 나이브 베이즈 분류기를 이용한 문서 분류\u003cbr\u003e5.4 로지스틱 회귀분석을 이용한 문서 분류\u003cbr\u003e___5.4.1 릿지 회귀를 이용한 과적합 방지\u003cbr\u003e___5.4.2 라쏘 회귀를 이용한 특성 선택\u003cbr\u003e5.5 결정트리 등을 이용한 기타 문서 분류 방법\u003cbr\u003e5.6 성능을 높이는 방법\u003cbr\u003e5.7 카운트 기반의 문제점과 N-gram을 이용한 보완\u003cbr\u003e___5.7.1 통계로는 알 수 없는 문맥 정보\u003cbr\u003e___5.7.2 N-gram의 이해\u003cbr\u003e___5.7.3 N-gram을 이용한 문서 분류\u003cbr\u003e5.8 한국어 문서의 분류\u003cbr\u003e___5.8.1 다음 영화 리뷰에 대한 영화 제목 예측\u003cbr\u003e___5.8.2 성능을 개선하기 위한 노력 \u003cbr\u003e\u003cbr\u003e 06장: 차원 축소\u003cbr\u003e6.1 차원의 저주와 차원 축소의 이유\u003cbr\u003e6.2 PCA를 이용한 차원 축소\u003cbr\u003e6.3 LSA를 이용한 차원 축소와 의미 파악\u003cbr\u003e___6.3.1 LSA를 이용한 차원 축소와 성능 \u003cbr\u003e___6.3.2 LSA를 이용한 의미 기반의 문서 간 유사도 계산\u003cbr\u003e___6.3.3 잠재된 토픽의 분석\u003cbr\u003e___6.3.4 단어 간 의미 유사도 분석 \u003cbr\u003e6.4 tSNE를 이용한 시각화와 차원축소의 효과\u003cbr\u003e\u003cbr\u003e 07장: 토픽 모델링으로 주제 찾기\u003cbr\u003e7.1 토픽 모델링과 LDA의 이해 \u003cbr\u003e___7.1.1 토픽 모델링이란?\u003cbr\u003e___7.1.2 LDA 모형의 구조\u003cbr\u003e___7.1.3 모형의 평가와 적절한 토픽 수의 결정\u003cbr\u003e7.2 사이킷런을 이용한 토픽 모델링\u003cbr\u003e___7.2.1 데이터 준비 \u003cbr\u003e___7.2.2 LDA 토픽 모델링 실행\u003cbr\u003e___7.2.3 최적의 토픽 수 선택하기 \u003cbr\u003e7.3 Gensim을 이용한 토픽 모델링\u003cbr\u003e___7.3.1 Gensim 사용법과 시각화\u003cbr\u003e___7.3.2 혼란도와 토픽 응집도를 이용한 최적값 선택\u003cbr\u003e7.4 토픽 트렌드로 시간에 따른 주제의 변화 알아내기\u003cbr\u003e7.5 동적 토픽 모델링\u003cbr\u003e\u003cbr\u003e 08장: 감성 분석\u003cbr\u003e8.1 감성분석의 이해\u003cbr\u003e___8.1.1 어휘 기반의 감성 분석\u003cbr\u003e___8.1.2 머신러닝 기반의 감성 분석\u003cbr\u003e8.2 감성 사전을 이용한 영화 리뷰 감성 분석\u003cbr\u003e___8.2.1 NLTK 영화 리뷰 데이터 준비\u003cbr\u003e___8.2.2 TextBlob을 이용한 감성 분석\u003cbr\u003e___8.2.3 AFINN을 이용한 감성 분석\u003cbr\u003e___8.2.4 VADER를 이용한 감성 분석\u003cbr\u003e8.3 학습을 통한 머신러닝 기반의 감성 분석\u003cbr\u003e___8.3.1 NLTK 영화 리뷰에 대한 머신러닝 기반 감성 분석\u003cbr\u003e___8.3.2 다음 영화 리뷰에 대한 머신러닝 기반 감성 분석 \u003cbr\u003e8.4 참고문헌 \u003cbr\u003e\u003cbr\u003e 09장: 인공신경망과 딥러닝의 이해\u003cbr\u003e9.1 인공신경망의 이해\u003cbr\u003e___9.1.1 인공신경망의 구조와 구성요소\u003cbr\u003e___9.1.2 인공신경망에서의 학습\u003cbr\u003e___9.1.3 손실 함수의 이해\u003cbr\u003e___9.1.4 경사하강법\u003cbr\u003e9.2 딥러닝의 이해\u003cbr\u003e___9.2.1 딥러닝이란?\u003cbr\u003e___9.2.2 층이 깊은 신경망의 문제점\u003cbr\u003e___9.2.3 딥러닝에서의 해결방안\u003cbr\u003e___9.2.4 다양한 딥러닝 알고리즘\u003cbr\u003e___9.2.5 딥러닝 개발 및 활용환경\u003cbr\u003e\u003cbr\u003e\u003cb\u003e[3부] 텍스트 마이닝을 위한 딥러닝 기법\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 10장: RNN - 딥러닝을 이용한 문서 분류\u003cbr\u003e10.1 왜 RNN일까?\u003cbr\u003e___10.1.1 RNN의 이해\u003cbr\u003e___10.1.2 RNN이 문서 분류에 적합한 이유\u003cbr\u003e___10.1.3 RNN의 문서 분류 적용방안\u003cbr\u003e10.2 워드 임베딩의 이해\u003cbr\u003e___10.2.1 워드 임베딩이란?\u003cbr\u003e___10.2.2 BOW와 문서 임베딩\u003cbr\u003e___10.2.3 워드 임베딩과 딥러닝\u003cbr\u003e10.3 RNN을 이용한 문서 분류 - NLTK 영화 리뷰 감성분석\u003cbr\u003e___10.3.1 워드 임베딩을 위한 데이터 준비\u003cbr\u003e___10.3.2 RNN이 아닌 일반적인 신경망 모형을 이용한 분류\u003cbr\u003e___10.3.3 문서의 순서정보를 활용하는 RNN 기반 문서분류\u003cbr\u003e10.4 LSTM, Bi-LSTM과 GRU를 이용한 성능 개선\u003cbr\u003e\u003cbr\u003e 11장: Word2Vec, ELMo, Doc2Vec의 이해\u003cbr\u003e11.1 Word2Vec - 대표적인 워드 임베딩 기법\u003cbr\u003e___11.1.1 Word2Vec 학습의 원리\u003cbr\u003e___11.1.2 Word2Vec 활용 - 학습된 모형 가져오기\u003cbr\u003e___11.1.3 FastText - 워드 임베딩에 N-gram 적용\u003cbr\u003e11.2 ELMo - 문맥에 따른 단어 의미의 구분\u003cbr\u003e___11.2.1 Word2Vec의 문제점\u003cbr\u003e___11.2.2 ELMo의 구조\u003cbr\u003e11.3 Doc2Vec - 문맥을 고려한 문서 임베딩\u003cbr\u003e\u003cbr\u003e 12장: CNN - 이미지 분류를 응용한 문서 분류\u003cbr\u003e12.1 CNN의 등장과 작동 원리 \u003cbr\u003e12.2 CNN을 이용한 문서 분류\u003cbr\u003e__12.2.1 CNN을 이용한 문서 분류의 원리\u003cbr\u003e__12.2.2 CNN을 이용한 NLTK 영화 리뷰 분류\u003cbr\u003e\u003cbr\u003e 13장: 어텐션(Attention)과 트랜스포머\u003cbr\u003e13.1 Seq2seq: 번역에서 시작한 딥러닝 기법\u003cbr\u003e13.2 어텐션을 이용한 성능의 향상\u003cbr\u003e13.3 셀프 어텐션(Self-attention)과 트랜스포머\u003cbr\u003e___13.3.1 셀프 어텐션의 이해\u003cbr\u003e___13.3.2 트랜스포머의 구조\u003cbr\u003e___13.3.3 인코더의 셀프 어텐션 원리\u003cbr\u003e___13.3.4 디코더의 작동 원리\u003cbr\u003e\u003cbr\u003e 14장: BERT의 이해와 간단한 활용\u003cbr\u003e14.1 왜 언어 모델이 중요한가?\u003cbr\u003e14.2 사전학습 언어모델의 이론적 이해\u003cbr\u003e14.3 BERT의 구조\u003cbr\u003e14.4 언어모델을 이용한 사전학습과 미세조정학습\u003cbr\u003e14.5 사전학습된 BERT 모형의 직접 사용방법\u003cbr\u003e14.6 자동 클래스를 이용한 토크나이저와 모형의 사용\u003cbr\u003e\u003cbr\u003e 15장: BERT 사전학습 모형에 대한 미세조정학습\u003cbr\u003e15.1 BERT 학습을 위한 전처리\u003cbr\u003e15.2 트랜스포머의 트레이너를 이용한 미세조정학습\u003cbr\u003e15.3 파이토치를 이용한 미세조정학습\u003cbr\u003e\u003cbr\u003e 16장: 한국어 문서에 대한 BERT 활용\u003cbr\u003e16.1 다중 언어 BERT 사전학습 모형의 미세조정학습\u003cbr\u003e16.2 KoBERT 사전학습 모형에 대한 파이토치 미세조정학습\u003cbr\u003e\u003cbr\u003e 17장: 트랜스포머 변형 모형의 현황 \u003cbr\u003e17.1 트랜스포머 변형 모형의 다양한 토크나이저 \u003cbr\u003e__17.1.1 BPE(Byte-Pair Encoding) 토크나이저 \u003cbr\u003e__17.1.2 워드피스(WordPiece) 토크나이저 \u003cbr\u003e__17.1.3 센텐스피스(SentencePiece) 유니그램 토크나이저 \u003cbr\u003e__17.2 GPT 기반 트랜스포머 변형 모형 \u003cbr\u003e__17.2.1 GPT-2\u003cbr\u003e__17.2.2 GPT-3 \u003cbr\u003e__17.2.3 ChatGPT\u003cbr\u003e17.3 BERT 기반 트랜스포머 변형 모형 \u003cbr\u003e__17.3.1 RoBERTa(Robustly Optimized BERT Pretraining Approach) \u003cbr\u003e__17.3.2 ALBERT(A Lite BERT) \u003cbr\u003e__17.3.3 ELECTRA(Efficiently Learning an Encoder that Classifies Token Replacements Accurately) \u003cbr\u003e17.4 인코더와 디코더를 모두 사용하는 트랜스포머 변형 모형 \u003cbr\u003e__17.4.1 BART (Bidirectional and Auto-Regressive Transformers) \u003cbr\u003e__17.4.2 T5 (Text-to-Text Transfer Transformer) \u003cbr\u003e17.5 국내 트랜스포머 변형 모형 현황 \u003cbr\u003e\u003cbr\u003e 18장: 트랜스포머 모형을 이용한 문서 요약 \u003cbr\u003e18.1 문서 요약의 이해 \u003cbr\u003e__18.1.1 문서 요약 성능 지표: ROUGE \u003cbr\u003e__18.1.2 문서 요약 데이터셋과 트랜스포머 변형 모형 \u003cbr\u003e18.2 파이프라인을 이용한 문서 요약 \u003cbr\u003e18.3 T5 모형과 자동 클래스를 이용한 문서 요약 \u003cbr\u003e18.4 T5 모형과 트레이너를 이용한 미세조정학습 \u003cbr\u003e18.5 한글 문서 요약 \u003cbr\u003e\u003cbr\u003e 19장: 트랜스포머 모형을 이용한 질의 응답 \u003cbr\u003e19.1 질의 응답 시스템의 이해 \u003cbr\u003e19.2 파이프라인을 이용한 질의 응답 \u003cbr\u003e19.3 자동 클래스를 이용한 질의 응답 \u003cbr\u003e19.4 트레이너를 이용한 질의 응답 미세조정학습 \u003cbr\u003e19.5 한글 질의 응답 \u003c\/div\u003e \u003cdiv\u003e\u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e상세 이미지\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e \u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate4113\/MidCate007\/411262317(1).jpg\" border=\"0\" alt=\"상세 이미지 1\"\u003e \u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e출판사 리뷰\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e  \u003cb\u003e이 책에서 다루는 내용 \u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e- 토큰화, 어간 추출, 표제어 추출, 불용어 처리, 품사 태깅과 같은 텍스트 전처리 기법\u003cbr\u003e\u003cbr\u003e- 단어 빈도 그래프, 워드 클라우드 그리기\u003cbr\u003e\u003cbr\u003e- 카운트 벡터, TF-IDF 벡터로 문서를 변환하고, 문서 간 유사도 구하기\u003cbr\u003e\u003cbr\u003e- 다양한 머신러닝\/딥러닝 기법으로 문서 분류와 감성 분석 수행\u003cbr\u003e\u003cbr\u003e- KoNLPy를 이용해 한국어 문서를 변환하고 다양한 머신러닝 알고리즘으로 분석\u003cbr\u003e\u003cbr\u003e- 문서 벡터의 차원 축소, LDA 토픽모델링, 동적 토픽 모델링, 토픽 트렌드를 구하고 시각화\u003cbr\u003e\u003cbr\u003e- Word2Vec, ELMo와 같은 워드 임베딩 기법과 Doc2Vec의 이해\u003cbr\u003e\u003cbr\u003e- BERT의 이해와 활용, 파이토치를 이용한 미세조정 학습의 실습, 한국어 문서에 대한 BERT 사용법 실습\u003cbr\u003e\u003cbr\u003e- 사전 학습 언어모델과 GPT-2, GPT-3, chatGPT, RoBERTa, ALBERT, ELECTRA, BART, T5 등 다양한 트랜스포머 변형 모형의 이해\u003cbr\u003e\u003cbr\u003e- T5, KoBART, DistilBERT, KoELECTRA 등의 트랜스포머 모형을 이용한 문서 요약과 질의 응답 실습 \u003c\/div\u003e \u003cdiv\u003e\u003c\/div\u003e \u003c\/div\u003e \u003c\/div\u003e\n\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003eGOODS SPECIFICS\u003c\/div\u003e\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003e발행일 : \u003c\/strong\u003e2023년 02월 28일\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003e쪽수, 무게, 크기 : \u003c\/strong\u003e424쪽 | 175*235*22mm\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eISBN13 : \u003c\/strong\u003e9791158394226\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eISBN10 : \u003c\/strong\u003e1158394225\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003ccenter\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cspan\u003e\u003c\/span\u003e\n\u003c\/center\u003e\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893441953834,"sku":"154668","price":40.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/5c009f265d40bcc665562891abb98e1a.jpg?v=1765402286","url":"https:\/\/librairie.coreenne.fr\/ko\/products\/154668","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}