{"product_id":"154668","title":"Le guide complet de l'exploration de texte en Python ","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\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\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Le guide complet de l'exploration de texte en Python \u003c\/div\u003e\n\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\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\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\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\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\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\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\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\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\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\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e  \u003cdiv\u003eL'exploration de textes nécessite une connaissance approfondie du traitement automatique du langage naturel, des statistiques et des techniques d'apprentissage profond, mais si l'on se laisse absorber par les aspects théoriques, la mise en œuvre peut facilement devenir un rêve lointain.\u003cbr\u003e Ce livre explique l'exploration de textes à travers des exemples pratiques directement applicables à des situations réelles.\u003cbr\u003e Il explique, en particulier aux débutants, le concept du prétraitement de texte et diverses applications détaillées à partir des notions de base.\u003cbr\u003e Nous présentons des exemples d'utilisation de diverses techniques d'apprentissage automatique pour des tâches d'exploration de texte telles que la classification de documents et l'analyse des sentiments, et expliquons comment réduire la dimensionnalité et visualiser les résultats, effectuer une modélisation thématique, et obtenir et visualiser les tendances thématiques.\u003cbr\u003e\u003cbr\u003e En plus de la classification de documents utilisant des techniques d'apprentissage profond de base, il comprend également un apprentissage par ajustement fin utilisant BERT, qui est largement utilisé de nos jours. \u003cbr\u003eDe plus, à mesure que l'intérêt pour les modèles de langage pré-entraînés augmente, le contenu théorique de ces modèles et de divers modèles de transformation de type transformeur est expliqué.\u003cbr\u003e Nous avons également ajouté une formation pratique et un apprentissage par ajustement fin pour la synthèse de documents et la réponse aux questions à l'aide du modèle de transformateur.\u003cbr\u003e De plus, la plupart des chapitres sont illustrés par suffisamment d'exemples pour vous aider à gagner en confiance dans l'analyse de documents coréens.\u003cbr\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e[Partie 1] Principes de base de l'exploration de texte\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e Chapitre 1 : Principes de base de l'exploration de texte\u003cbr\u003e 1.1 Définition de l'exploration de texte\u003cbr\u003e 1.2 Évolutions du paradigme de l'exploration de texte\u003cbr\u003e ___1.2.1 Représentation des documents basée sur le comptage\u003cbr\u003e ___1.2.2 Représentation de documents basée sur la séquence\u003cbr\u003e 1.3 Connaissances et outils nécessaires à l'exploration de textes\u003cbr\u003e ___1.3.1 Techniques de traitement automatique du langage naturel\u003cbr\u003e ___1.3.2 Statistiques et algèbre linéaire\u003cbr\u003e ___1.3.3 Techniques de visualisation\u003cbr\u003e ___1.3.4 Apprentissage automatique\u003cbr\u003e ___1.3.5 Apprentissage profond\u003cbr\u003e 1.4 Principales applications de l'exploration de texte\u003cbr\u003e 1.4.1 Classification des documents \u003cbr\u003e1.4.2 Création de documents\u003cbr\u003e ___1.4.3 Résumé du document\u003cbr\u003e ___1.4.4 Questions et réponses\u003cbr\u003e ___1.4.5 Traduction automatique\u003cbr\u003e ___1.4.6 Modélisation thématique\u003cbr\u003e 1.5 Environnement de pratique et logiciels utilisés dans ce livre\u003cbr\u003e ___1.5.1 Environnement de pratique de base\u003cbr\u003e ___1.5.2 Bibliothèques liées au traitement automatique du langage naturel\u003cbr\u003e ___1.5.3 Bibliothèques liées à l'apprentissage automatique\u003cbr\u003e ___1.5.4 Bibliothèques liées à l'apprentissage profond\u003cbr\u003e\u003cbr\u003e Chapitre 2 : Prétraitement du texte\u003cbr\u003e 2.1 Concept de prétraitement de texte\u003cbr\u003e ___2.1.1 Pourquoi le prétraitement est-il nécessaire ?\u003cbr\u003e ___2.1.2 Étapes de prétraitement\u003cbr\u003e ___2.1.3 Configuration de l'exercice\u003cbr\u003e 2.2 Tokenisation\u003cbr\u003e ___2.2.1 Tokenisation des phrases\u003cbr\u003e ___2.2.2 Tokenisation des mots\u003cbr\u003e ___2.2.3 Tokenisation à l'aide d'expressions régulières\u003cbr\u003e ___2.2.4 Suppression des mots parasites et des mots vides\u003cbr\u003e 2.3 Normalisation\u003cbr\u003e ___2.3.1 Extraction de la tige\u003cbr\u003e ___2.3.2 Extraction des mots-clés\u003cbr\u003e 2.4 Étiquetage morphosyntaxique\u003cbr\u003e ___2.4.1 Comprendre les parties du discours\u003cbr\u003e ___2.4.2 Étiquetage morphosyntaxique à l'aide de NLTK\u003cbr\u003e ___2.4.3 Analyse morphologique et étiquetage morphosyntaxique du coréen\u003cbr\u003e ___2.4.4 Références\u003cbr\u003e\u003cbr\u003e Chapitre 3 : Graphiques et nuages ​​de mots\u003cbr\u003e 3.1 Graphique de fréquence des mots - Quels sont les mots les plus fréquemment utilisés ?\u003cbr\u003e 3.2 Visualisez le contenu en un coup d'œil grâce à un nuage de mots  \u003cbr\u003e3.3 Graphiques et nuages ​​de mots pour les documents coréens\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 2] Exploration de texte basée sur BOW\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e Chapitre 4 : Représentation des documents basée sur le comptage\u003cbr\u003e 4.1 Concept de représentation de documents basée sur le comptage\u003cbr\u003e 4.2 Génération de vecteurs de comptage basée sur BOW\u003cbr\u003e 4.3 Création d'un vecteur de comptage avec scikit-learn\u003cbr\u003e 4.4 Conversion vectorielle du texte coréen\u003cbr\u003e 4.4.1 Téléchargement des données\u003cbr\u003e 4.5 Utilisation des vecteurs de comptage\u003cbr\u003e 4.6 Améliorons les performances avec TF-IDF\u003cbr\u003e\u003cbr\u003e Chapitre 5 : Classification des documents basée sur le BOW\u003cbr\u003e 5.1 Préparation des données et extraction des caractéristiques des groupes de discussion\u003cbr\u003e ___5.1.1 Vérification et séparation des ensembles de données\u003cbr\u003e ___5.1.2 Extraction de caractéristiques basée sur le comptage\u003cbr\u003e 5.2 Comprendre l'apprentissage automatique et les processus de classification des documents\u003cbr\u003e 5.3 Classification de documents à l'aide du classificateur naïf bayésien\u003cbr\u003e 5.4 Classification des documents par analyse de régression logistique\u003cbr\u003e ___5.4.1 Prévention du surapprentissage par régression Ridge\u003cbr\u003e 5.4.2 Sélection de caractéristiques par régression Lasso\u003cbr\u003e 5.5 Autres méthodes de classification de documents utilisant des arbres de décision, etc.\u003cbr\u003e 5.6 Comment améliorer les performances \u003cbr\u003e5.7 Problèmes et solutions basés sur le comptage utilisant les n-grammes\u003cbr\u003e 5.7.1 Informations contextuelles non disponibles par le biais des statistiques\u003cbr\u003e ___5.7.2 Comprendre les n-grammes\u003cbr\u003e 5.7.3 Classification de documents à l'aide de n-grammes\u003cbr\u003e 5.8 Classification des documents coréens\u003cbr\u003e 5.8.1 Prédiction des titres de films pour la prochaine critique\u003cbr\u003e ___5.8.2 Efforts visant à améliorer la performance\u003cbr\u003e\u003cbr\u003e Chapitre 6 : Réduction de dimensionnalité\u003cbr\u003e 6.1 La malédiction de la dimensionnalité et les raisons de la réduction de dimensionnalité\u003cbr\u003e 6.2 Réduction de dimensionnalité par ACP\u003cbr\u003e 6.3 Réduction de dimensionnalité et compréhension sémantique à l'aide de l'analyse sémantique latente (LSA)\u003cbr\u003e 6.3.1 Réduction de dimensionnalité et performances avec LSA\u003cbr\u003e 6.3.2 Calcul de la similarité sémantique entre documents à l'aide de LSA\u003cbr\u003e 6.3.3 Analyse des thèmes latents\u003cbr\u003e ___6.3.4 Analyse de la similarité sémantique entre les mots\u003cbr\u003e 6.4 Visualisation et réduction de dimensionnalité à l'aide de tSNE\u003cbr\u003e\u003cbr\u003e Chapitre 7 : Trouver des sujets grâce à la modélisation thématique\u003cbr\u003e 7.1 Comprendre la modélisation thématique et l'analyse discriminante linéaire (LDA)\u003cbr\u003e ___7.1.1 Qu'est-ce que la modélisation thématique ?\u003cbr\u003e ___7.1.2 Structure du modèle LDA\u003cbr\u003e ___7.1.3 Évaluation du modèle et détermination du nombre approprié de sujets\u003cbr\u003e 7.2 Modélisation thématique avec Scikit-Learn\u003cbr\u003e 7.2.1 Préparation des données  \u003cbr\u003e___7.2.2 Exécution de la modélisation thématique LDA\u003cbr\u003e ___7.2.3 Choisir le nombre optimal de sujets\u003cbr\u003e 7.3 Modélisation thématique à l'aide de Gensim\u003cbr\u003e ___7.3.1 Utilisation et visualisation de Gensim\u003cbr\u003e ___7.3.2 Sélection optimale des valeurs à l'aide de la confusion et de la cohésion thématique\u003cbr\u003e 7.4 Découvrir comment les sujets évoluent au fil du temps grâce aux tendances thématiques\u003cbr\u003e 7.5 Modélisation dynamique des sujets\u003cbr\u003e\u003cbr\u003e Chapitre 8 : Analyse des sentiments\u003cbr\u003e 8.1 Comprendre l'analyse des sentiments\u003cbr\u003e 8.1.1 Analyse des sentiments basée sur le vocabulaire\u003cbr\u003e 8.1.2 Analyse des sentiments basée sur l'apprentissage automatique\u003cbr\u003e 8.2 Analyse des sentiments des critiques de films à l'aide d'un dictionnaire des sentiments\u003cbr\u003e ___8.2.1 Préparation des données d'évaluation de films NLTK\u003cbr\u003e 8.2.2 Analyse des sentiments à l'aide de TextBlob\u003cbr\u003e ___8.2.3 Analyse des sentiments à l'aide d'AFINN\u003cbr\u003e 8.2.4 Analyse des sentiments à l'aide de VADER\u003cbr\u003e 8.3 Analyse des sentiments basée sur l'apprentissage automatique\u003cbr\u003e 8.3.1 Analyse des sentiments des critiques de films NLTK basée sur l'apprentissage automatique\u003cbr\u003e 8.3.2 Analyse des sentiments des critiques de films Next basée sur l'apprentissage automatique\u003cbr\u003e 8.4 Références\u003cbr\u003e\u003cbr\u003e Chapitre 9 : Comprendre les réseaux neuronaux artificiels et l’apprentissage profond\u003cbr\u003e 9.1 Comprendre les réseaux neuronaux artificiels \u003cbr\u003e___9.1.1 Structure et composants des réseaux de neurones artificiels\u003cbr\u003e ___9.1.2 Apprentissage dans les réseaux de neurones artificiels\u003cbr\u003e ___9.1.3 Comprendre la fonction de perte\u003cbr\u003e ___9.1.4 Descente en pente\u003cbr\u003e 9.2 Comprendre l'apprentissage profond\u003cbr\u003e ___9.2.1 Qu'est-ce que l'apprentissage profond ?\u003cbr\u003e ___9.2.2 Problèmes liés aux réseaux neuronaux profonds\u003cbr\u003e ___9.2.3 Solutions en apprentissage profond\u003cbr\u003e ___9.2.4 Divers algorithmes d'apprentissage profond\u003cbr\u003e ___9.2.5 Environnement de développement et d'utilisation de l'apprentissage profond\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 3] Techniques d'apprentissage profond pour l'exploration de texte\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e Chapitre 10 : Réseaux de neurones récurrents (RNN) – Classification de documents par apprentissage profond\u003cbr\u003e 10.1 Pourquoi RNN ?\u003cbr\u003e ___10.1.1 Comprendre les RNN\u003cbr\u003e ___10.1.2 Pourquoi les RNN sont adaptés à la classification de documents\u003cbr\u003e ___10.1.3 Application des RNN à la classification de documents\u003cbr\u003e 10.2 Comprendre les plongements lexicaux\u003cbr\u003e ___10.2.1 Qu'est-ce qu'un plongement lexical ?\u003cbr\u003e ___10.2.2 BOW et intégration de documents\u003cbr\u003e ___10.2.3 Représentations vectorielles de mots et apprentissage profond\u003cbr\u003e 10.3 Classification de documents à l'aide de RNN - Analyse des sentiments des critiques de films NLTK\u003cbr\u003e ___10.3.1 Préparation des données pour l'intégration de mots\u003cbr\u003e ___10.3.2 Classification à l'aide de modèles de réseaux neuronaux généraux autres que les RNN\u003cbr\u003e 10.3.3 Classification de documents basée sur les RNN utilisant les informations d'ordre des documents \u003cbr\u003e10.4 Amélioration des performances grâce à l'utilisation de LSTM, Bi-LSTM et GRU\u003cbr\u003e\u003cbr\u003e Chapitre 11 : Comprendre Word2Vec, ELMo et Doc2Vec\u003cbr\u003e 11.1 Word2Vec - Une technique représentative d'intégration de mots\u003cbr\u003e ___11.1.1 Principes de l'apprentissage Word2Vec\u003cbr\u003e ___11.1.2 Utilisation de Word2Vec - Importation du modèle entraîné\u003cbr\u003e ___11.1.3 FastText - Application des n-grammes aux plongements lexicaux\u003cbr\u003e 11.2 ELMo - Distinguer le sens des mots en fonction du contexte\u003cbr\u003e ___11.2.1 Problèmes avec Word2Vec\u003cbr\u003e ___11.2.2 Structure ELMo\u003cbr\u003e 11.3 Doc2Vec - Intégration de documents contextuelle\u003cbr\u003e\u003cbr\u003e Chapitre 12 : CNN - Classification de documents par classification d’images\u003cbr\u003e 12.1 L'émergence et le fonctionnement de CNN\u003cbr\u003e 12.2 Classification de documents à l'aide de CNN\u003cbr\u003e 12.2.1 Principes de la classification de documents à l'aide de CNN\u003cbr\u003e 12.2.2 Classification des critiques de films dans NLTK à l'aide de CNN\u003cbr\u003e\u003cbr\u003e Chapitre 13 : Attention et transformateurs\u003cbr\u003e 13.1 Seq2seq : une technique d’apprentissage profond à partir de la traduction\u003cbr\u003e 13.2 Améliorer les performances grâce à l'attention\u003cbr\u003e 13.3 L'attention portée à soi et les transformateurs\u003cbr\u003e ___13.3.1 Comprendre l'attention portée à soi-même\u003cbr\u003e ___13.3.2 Structure du transformateur\u003cbr\u003e ___13.3.3 Principe d'auto-attention de l'encodeur \u003cbr\u003e___13.3.4 Fonctionnement du décodeur\u003cbr\u003e\u003cbr\u003e Chapitre 14 : Compréhension et applications simples de BERT\u003cbr\u003e 14.1 Pourquoi les modèles de langage sont-ils importants ?\u003cbr\u003e 14.2 Compréhension théorique des modèles de langage pré-apprentissage\u003cbr\u003e 14.3 Structure BERT\u003cbr\u003e 14.4 Pré-entraînement et ajustement fin à l'aide de modèles de langage\u003cbr\u003e 14.5 Utilisation directe de modèles BERT pré-entraînés\u003cbr\u003e 14.6 Utilisation de tokeniseurs et de modèles avec classes automatiques\u003cbr\u003e\u003cbr\u003e Chapitre 15 : Optimisation du modèle pré-entraîné BERT\u003cbr\u003e 15.1 Prétraitement pour l'entraînement de BERT\u003cbr\u003e 15.2 Optimisation de l'apprentissage à l'aide d'un formateur Transformer\u003cbr\u003e 15.3 Optimisation de l'apprentissage avec PyTorch\u003cbr\u003e\u003cbr\u003e Chapitre 16 : Utilisation de BERT sur des documents coréens\u003cbr\u003e 16.1 Optimisation du modèle de pré-entraînement BERT multilingue\u003cbr\u003e 16.2 Optimisation PyTorch du modèle pré-entraîné KoBERT\u003cbr\u003e\u003cbr\u003e Chapitre 17 : État actuel des modèles de transformation des transformateurs\u003cbr\u003e 17.1 Différents tokeniseurs pour les modèles de variantes de transformateurs\u003cbr\u003e __17.1.1 Tokeniseur BPE (encodage par paires d'octets)\u003cbr\u003e __17.1.2 Tokeniseur WordPiece  \u003cbr\u003e__17.1.3 Tokenizer Unigram SentencePièce\u003cbr\u003e __17.2 Modèle de déformation de transformateur basé sur GPT\u003cbr\u003e __17.2.1 GPT-2\u003cbr\u003e __17.2.2 GPT-3\u003cbr\u003e __17.2.3 ChatGPT\u003cbr\u003e 17.3 Modèle de transformateur variante basé sur BERT\u003cbr\u003e __17.3.1 RoBERTa (Approche de pré-entraînement BERT robuste et optimisée)\u003cbr\u003e __17.3.2 ALBERT (Un BERT allégé)\u003cbr\u003e __17.3.3 ELECTRA (Apprentissage efficace d'un encodeur qui classe avec précision les remplacements de jetons)\u003cbr\u003e 17.4 Modèle de transformateur utilisant à la fois un encodeur et un décodeur\u003cbr\u003e __17.4.1 BART (Transformateurs bidirectionnels et autorégressifs)\u003cbr\u003e __17.4.2 T5 (Transformateur de transfert texte-à-texte)\u003cbr\u003e 17.5 État actuel des modèles de modification des transformateurs domestiques\u003cbr\u003e\u003cbr\u003e Chapitre 18 : Résumé du document à l’aide du modèle Transformer\u003cbr\u003e 18.1 Comprendre les résumés de documents\u003cbr\u003e __18.1.1 Métrique de performance du résumé du document : ROUGE\u003cbr\u003e __18.1.2 Résumé du document : Ensemble de données et modèle de transformation du transformateur\u003cbr\u003e 18.2 Synthèse de documents à l'aide de pipelines\u003cbr\u003e 18.3 Résumé de documents à l'aide du modèle T5 et des classifications automatiques\u003cbr\u003e 18.4 Optimisation de l'apprentissage à l'aide du modèle et du formateur T5  \u003cbr\u003e18.5 Résumé des documents coréens\u003cbr\u003e\u003cbr\u003e Chapitre 19 : Réponse aux questions à l’aide du modèle Transformer\u003cbr\u003e 19.1 Comprendre le système de questions-réponses\u003cbr\u003e 19.2 Réponse aux requêtes à l'aide de pipelines\u003cbr\u003e 19.3 Réponse aux questions à l'aide des classes automatiques\u003cbr\u003e 19.4 Optimisation de l'apprentissage par questions-réponses à l'aide d'un formateur\u003cbr\u003e 19.5 Questions-réponses coréennes\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate4113\/MidCate007\/411262317(1).jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eCe que ce livre couvre\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e - Techniques de prétraitement de texte telles que la tokenisation, la racinisation, l'extraction de mots, le traitement des mots vides et l'étiquetage morphosyntaxique\u003cbr\u003e\u003cbr\u003e - Tracer des graphiques de fréquence des mots et des nuages ​​de mots\u003cbr\u003e\u003cbr\u003e - Convertir les documents en vecteurs de comptage et en vecteurs TF-IDF, et trouver les similarités entre les documents.\u003cbr\u003e\u003cbr\u003e - Effectuer la classification des documents et l'analyse des sentiments à l'aide de diverses techniques d'apprentissage automatique\/d'apprentissage profond.\u003cbr\u003e\u003cbr\u003e - Convertir des documents coréens à l'aide de KoNLPy et les analyser avec divers algorithmes d'apprentissage automatique.\u003cbr\u003e\u003cbr\u003e - Réduction de la dimensionnalité des vecteurs de documents, modélisation thématique LDA, modélisation thématique dynamique, et identification et visualisation des tendances thématiques.\u003cbr\u003e \u003cbr\u003e- Comprendre les techniques d'intégration de mots telles que Word2Vec, ELMo et Doc2Vec\u003cbr\u003e\u003cbr\u003e - Comprendre et utiliser BERT, s'exercer à l'apprentissage par ajustement fin à l'aide de PyTorch et s'exercer à utiliser BERT sur des documents coréens\u003cbr\u003e\u003cbr\u003e - Compréhension des modèles de langage pré-entraînés et des différentes variantes de transformateurs tels que GPT-2, GPT-3, chatGPT, RoBERTa, ALBERT, ELECTRA, BART et T5.\u003cbr\u003e\u003cbr\u003e - Exercices de résumé de document et de questions-réponses utilisant des modèles de transformateurs tels que T5, KoBART, DistilBERT et KoELECTRA \u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\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\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\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 28 février 2023\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 424 pages | 175 × 235 × 22 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158394226\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1158394225 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\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\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\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\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\/products\/154668","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}