کتاب متن کاوی به کمک یادگیری ماشین

معرفی کتاب متن کاوی به کمک یادگیری ماشین

در کتاب متن کاوی به کمک یادگیری ماشین، موضوع مورد بحث چارو سی آگروال کاربرد یادگیری ماشین در پردازش متن است. جیمیل من از کجا تشخیص می‌دهد که کدام ایمیل‌ها ممکن است اسپم باشند؟ گوگل چطور می‌تواند از میان میلیون‌ها سند مختلف، مرتبط‌ترین نتیجه را برای جستجوی من نمایش دهد؟ پاسخ این سؤالات در مباحثی از جمله تحلیل متن و داده‌کاوی با استفاده از الگوریتم‌های یادگیری ماشین نهفته است که این کتاب به بررسی مبانی ابتدایی تا پیشرفته‌ی آن‌ها می‌پردازد.

درباره‌ی کتاب متن کاوی به کمک یادگیری ماشین

متن کاوی و تحلیل متن حوزه‌ای است که پیوند محکمی با بازیابی اطلاعات، یادگیری ماشین (Machine Learning) و پردازش زبان طبیعی (NLP) دارد. حال چارو سی. آگروال (Charu C. Aggarwal)، دانشمند داده و محقق، در کتاب متن کاوی به کمک یادگیری ماشین (Machine Learning for Text) چارچوب منظمی را از حاصل پیوند مباحث گفته شده ترسیم می‌کند که درک هر چه بهتر فرایندهای داده کاوی (Data Mining) را ممکن می‌سازد.

فصول کتاب متن کاوی به کمک یادگیری ماشین در سه بخش اصلی سامان یافته‌اند. بخش نخست، مجموعه‌ای از مهم‌ترین الگوریتم‌ها و روش‌های کلاسیک یادگیری ماشین در حوزه‌ی تحلیل متون را در بر می‌گیرد؛ از پیش‌پردازش داده‌های متنی و مدل‌سازی موضوعی گرفته تا تجزیه ماتریس، خوشه‌بندی، طبقه‌بندی و سایر تکنیک‌های بنیادین. نویسندگان در این بخش، مفاهیم پایه و ابزارهای ضروری متن کاوی (Text Mining) را با نگاهی دقیق، موشکافانه و همراه با مثال‌های کاربردی تشریح کرده‌اند تا خواننده درک محکمی از مبانی این حوزه به دست آورد.

صفر تا صد داده کاوی (Text Mining) به زبان ساده

بخش دوم کتاب بر یادگیری و بازیابی اطلاعات حساس به دامنه تمرکز دارد و مفاهیم پیشرفته‌تری را در زمینه‌ی یادگیری در محیط‌های ناهمگون بررسی می‌کند. در این بخش، خواننده با رویکردهایی مانند ماشین‌های تجزیه، مدل‌سازی احتمالاتی توأم، خزش وب، کشف منابع اطلاعاتی و الگوریتم‌های رتبه‌بندی مبتنی بر لینک آشنا می‌شود؛ روش‌هایی که نقش مهمی در استخراج، سازمان‌دهی و بازیابی هوشمند اطلاعات از مجموعه‌های بزرگ داده ایفا می‌کنند.

در نهایت نیز در بخش سوم کتاب و از فصل 10 تا 14، کاربردهای مختلف زبان طبیعی و توالی محور، مبدل‌ها و... مورد بحث و بررسی قرار می‌گیرند. سیستم توضیحات قدم به قدم کتاب متن کاوی به کمک یادگیری ماشین، سبب شده تا هم افراد مبتدی و هم حرفه‌ای‌های این حوزه بتوانند به راحتی با مراجعه به سرفصل مورد نظر از مطالب کتاب بهره ببرند.

نقشه راهی جامع برای تحلیل داده‌های متنی

با توجه به این که کتاب پیش رو دامنه‌ی گسترده‌ای از مطالب را شامل می‌شود، می‌تواند برای افراد با سطوح مختلفی از دانش تخصصی پیشنهاد شود. نقطه‌ی قوت اصلی کتاب متن کاوی به کمک یادگیری ماشین در این است که نه فقط به تجزیه و تحلیل متن، بلکه به ابعاد وسیع‌تری از کاربرد ماشین لرنینگ می‌پردازد.

عمق مطالب کتاب متن کاوی به کمک یادگیری ماشین و نگاه دقیق و نظام‌مند چارو سی. آگروال به مباحث مورد بحث سبب شده تا هم توسط بسیاری از اساتید علوم کامپیوتر برای تدریس مورد استفاده قرار گیرد و هم محققان و متخصصان فعال در این حوزه از آن به عنوان منبعی معتبر یاد کنند.

در انتهای هر فصل از کتاب متن کاوی به کمک یادگیری ماشین، یک خلاصه‌ی کوتاه ذکر شده که مرور مطالب را برای شما آسان‌تر می‌کند. انجام تمرین‌های کتاب هم در تثبیت مطالب در ذهن شما اثرگذاری قابل‌توجهی خواهند داشت. این کتاب را انتشارات آتی‌نگر با ترجمه‌ی دکتر مهدی اسماعیلی منتشر کرده است.

کتاب متن کاوی به کمک یادگیری ماشین برای شما مناسب است اگر

• از دانشجویان یا پژوهشگران رشته‌های هوش مصنوعی، مهندسی نرم افزار، علوم کامپیوتر یا علم داده هستید.
• به مباحث مرتبط با ماشین لرنینگ و پردازش زبان طبیعی (ان ال پی) علاقه دارید.
• قصد دارید با کاربردهای یادگیری ماشین در تحلیل اسناد، شبکه‌های اجتماعی و محتوای دیجیتال بیشتر آشنا شوید.
• به منبع جامعی برای یادگیری روش‌های پردازش و تحلیل داده‌های متنی نیاز دارید.

در بخشی از کتاب متن کاوی به کمک یادگیری ماشین می‌خوانیم

در سال‌های اخیر به دلیل افزایش متون در محیط‌هایی نظیر وب، رسانه‌های اجتماعی و دیگر پلت‌فرم‌ها، متن کاوی از اهمیت ویژه‌ای برخوردار شده است. برای تمیزسازی متن لازم است عملیاتی موسوم به پیش‌پردازش متن مانند حذف واژگان نامرتبط و نرمال‌سازی بر روی آن انجام شود. کاهش ابعاد و مدل‌سازی موضوعی اساس بسیاری از روش‌های تحلیل متن را تشکیل می‌دهند.

در حقیقت برای خوشه‌بندی و رده‌بندی ابتدا از روش‌های مختلف کاهش ابعاد استفاده می‌شود. روش‌های پرس‌وجو و بازیابی اسناد نیز سنگ بنای موتورهای جستجو محسوب می‌شوند. از آن جا که وب حاوی لینک‌ها، تصاویر و داده‌های ناهمگن است، سناریوهای کاوش پیچیده‌تری را نیز پیش روی ما قرار می‌دهد.

فهرست مطالب کتاب

پیشگفتار مترجم
فصل اول: مقدمه‌ای بر یادگیری ماشین برای اسناد متنی
فصل دوم: آماده‌سازی متن و محاسبه شباهت
فصل سوم: تجزیه ماتریس و مدل‌سازی موضوعی
فصل چهارم: خوشه‌بندی متن
فصل پنجم: رده‌بندی متن: مدل‌های پایه
فصل ششم: رده‌بندی خطی و رگرسیون برای متن
فصل هفتم: کارایی و ارزیابی رده‌بند
فصل هشتم: متن‌کاوی همراه با داده‌های ناهمگن
فصل نهم: بازیابی اطلاعات و موتورهای جستجو
فصل دهم: مدل‌سازی توالی متن و یادگیری عمیق
فصل یازدهم: تلخیص متن
فصل دوازدهم: استخراج اطلاعات
فصل سیزدهم: نظرکاوی و تحلیل احساسات
فصل چهاردهم: تقطیع متن و تشخیص رویداد
منابع