Ulteriori informazioni
- Von der logistischen Regression über Feed-Forward-Netze zu Encoder-Decoder-Modellen- Leicht verständlich mit textbasierten Erklärungen und wenigen Formeln- Mit Fokus auf der Verarbeitung deutschsprachiger Texte- Ausführliche Python-Code-Erläuterungen im Buch und Jupyter Notebooks auf GitHub- Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten BuchesDas Buch bietet eine leicht verständliche Einführung in Machine-Learning-Algorithmen im Allgemeinen und in die Verarbeitung von Textdaten mit Deep-Learning-Verfahren im Besonderen. Es veranschaulicht die theoretischen Konzepte bewährter und neuerer NLP-Ansätze und führt in die praktische Umsetzung ein. Im Fokus stehen insbesondere folgende Verfahren:- Vektorisierung von Wörtern mit Word Embedding.- Verarbeitung von Texten mit rekurrenten und konvolutionalen neuronalen Netzen.- Aufbau von Sequence-to-Sequence-Modellen zur Übersetzung und für Textzusammenfassungen.- Arbeit mit der Transformers-Bibliothek und Hugging Face.Anhand praktischer Anwendungen (Klassizierung von Texten, Rechtschreibkorrektur, Übersetzung, Frage-Antwort-System) wird gezeigt, wie sich Textdaten vorbereiten und effektive Lernmodelle mit Bibliotheken wie Transformers, TensorFlow/Keras und Scikit-Learn aufbauen, trainieren und produktiv einsetzen lassen.
Info autore
Dr. Jochen Hirschle ist IT-Trainer und Consultant für Machine Learning und Deep Learning in Braunschweig. Er ist erfahrener Programmierer in Python und Java und war als Wissenschaftler und Dozent an den Universitäten in Köln, Innsbruck und Frankfurt tätig. Er kennt die Fallstricke der statistischen Datenanalyse und die Tricks maschinellen Lernens aus seiner langjährigen Praxis und er weiß, wie sich komplexe Sachverhalte einfach erklären lassen.
Riassunto
- Von der logistischen Regression über Feed-Forward-Netze zu Encoder-Decoder-Modellen
- Leicht verständlich mit textbasierten Erklärungen und wenigen Formeln
- Mit Fokus auf der Verarbeitung deutschsprachiger Texte
- Ausführliche Python-Code-Erläuterungen im Buch und Jupyter Notebooks auf GitHub
- Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches
Das Buch bietet eine leicht verständliche Einführung in Machine-Learning-Algorithmen im Allgemeinen und in die Verarbeitung von Textdaten mit Deep-Learning-Verfahren im Besonderen. Es veranschaulicht die theoretischen Konzepte bewährter und neuerer NLP-Ansätze und führt in die praktische Umsetzung ein.
Im Fokus stehen insbesondere folgende Verfahren:
Vektorisierung von Wörtern mit Word Embedding.
Verarbeitung von Texten mit rekurrenten und konvolutionalen neuronalen Netzen.
Aufbau von Sequence-to-Sequence-Modellen zur Übersetzung und für Textzusammenfassungen.
Arbeit mit der Transformers-Bibliothek und Hugging Face.
Anhand praktischer Anwendungen (Klassizierung von Texten, Rechtschreibkorrektur, Übersetzung, Frage-Antwort-System) wird gezeigt, wie sich Textdaten vorbereiten und effektive Lernmodelle mit Bibliotheken wie Transformers, TensorFlow/Keras und Scikit-Learn aufbauen, trainieren und produktiv einsetzen lassen.
Testo aggiuntivo
"'Deep Natural Language Processing' ist ein praxisnahes und umfassendes Einstiegs- und Arbeitsbuch für alle, die moderne NLP-Verfahren nicht nur verstehen, sondern auch selbst umsetzen wollen. Es überzeugt durch Struktur, Verständlichkeit und Aktualitätsbezug." Dr.-Ing. Fabian Deitelhoff, LinkedIn, 06.10.2025
"Das Buch bietet eine leicht verständliche Einführung in Machine-Learning-Algorithmen im Allgemeinen und in die Verarbeitung von Textdaten im Deep-Learning-Verfahren im Besonderen. Es veranschaulicht die theoretischen Konzepte bewährter und neuerer NLP-Ansätze und führt in die praktische Umsetzung ein." SPS Magazin, Oktober 2023
"Jochen Hirschle hat auf nur 250 Seiten einen Leitfaden zusammengestellt, der den Lesern das notwendige Wissen und die praktischen Fähigkeiten vermittelt, um eine Vielzahl von NLP-Aufgaben anzugehen. Das Buch ermöglicht sogar, aufbauend auf den Beispielen innovative Anwendungen auf diesem Gebiet zu entwickeln." Reinhard Erich Vogelmaier, iX, August 2023
