Produktbild: Natural Language Processing
- 21%

Natural Language Processing A Machine Learning Perspective

21% sparen

63,99 € UVP 82,00 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

04.02.2021

Verlag

Cambridge University Press

Seitenzahl

484

Maße (L/B/H)

24,9/19,2/2,7 cm

Gewicht

1170 g

Sprache

Englisch

ISBN

978-1-108-42021-1

Beschreibung

Rezension

'An amazingly compact, and at the same time comprehensive, introduction and reference to natural language processing (NLP). It describes the NLP basics, then employs this knowledge to solve typical NLP problems. It achieves very high coverage of NLP through a clever abstraction to typical high-level tasks, such as sequence labelling. Finally, it explains the topics in deep learning. The book captivates through its simple elegance, depth, and accessibility to a wide range of readers from undergrads to experienced researchers.' Iryna Gurevych, Technical University of Darmstadt, Germany

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

04.02.2021

Verlag

Cambridge University Press

Seitenzahl

484

Maße (L/B/H)

24,9/19,2/2,7 cm

Gewicht

1170 g

Sprache

Englisch

ISBN

978-1-108-42021-1

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

Die Leseprobe wird geladen.
  • Produktbild: Natural Language Processing
  • Part I. Basics: 1. Introduction; 2. Counting relative frequencies; 3. Feature vectors; 4. Discriminative linear classifiers; 5. A perspective from information theory; 6. Hidden variables; Part II. Structures: 7. Generative sequence labelling; 8. Discriminative sequence labelling; 9. Sequence segmentation; 10. Predicting tree structures; 11. Transition-based methods for structured prediction; 12. Bayesian models; Part III. Deep Learning: 13. Neural network; 14. Representation learning; 15. Neural structured prediction; 16. Working with two texts; 17. Pre-training and transfer learning; 18. Deep latent variable models; Index.