Practical Python Bayes Analysis and Topic Models (Análise bayesiana e modelos de tópicos práticos em Python)

Descrição de produto ※Por favor, note que a informação sobre o produto é traduzida por máquina, por isso pode não ser a tradução correcta.

Ciência da Informação
[Introdução]
[Características do Livro]
Este livro aborda a análise bayesiana e, portanto, o modelo de tópico, tanto da teoria quanto da prática.
O modelo de tópico foi proposto como um método de processamento de linguagem natural, e é um modelo de probabilidade que pode ser usado para descobrir tópicos potenciais e profundos a partir de grandes quantidades de dados de documentos.
Nos últimos anos, seu poder não se limita aos dados do documento, mas também pode ser aplicado à análise de dados de imagem e dados de trajetória, e tornou-se uma tecnologia básica que suporta inteligência artificial (IA) juntamente com aprendizagem profunda.
Neste livro, eu me esforcei para manter os fundamentos teóricos firmemente em mente, e para fazer o máximo possível de aprendizagem prática com programação.
Além disso, as escadas de baixo nível foram construídas para que os leitores possam subir facilmente.
[Cada capítulo]
Capítulo 1 : Explica o conhecimento da probabilidade e da distribuição de probabilidade necessária para a aprendizagem deste livro e a implementação do programa.
Capítulo 2 : Revise os métodos tradicionais de análise de dados básicos para estabelecer comparações.
Capítulo 3 : Explica os conceitos básicos da análise bayesiana. Além disso, é introduzido o uso da Biblioteca de PyMC, que é usada para programar a análise bayesiana.
Capítulo 4 : Revisão dos métodos tradicionais de análise de dados de documentos para estabelecer comparações.
Capítulo 5 : Configure o modelo Unigram e analise os dados do documento.
A implementação do programa é mostrada pela Biblioteca PyMC.
Capítulo 6 : Incorporar conceitos de tópico para construir um modelo de unigram misto.
Além disso, um exemplo de programa de análise de documento usando o modelo de unigram misto será mostrado.
Capítulo 7 : Desenvolvendo ainda mais o modelo Unigram Misto para construir o modelo de tópico.
Além disso, um exemplo de programa de análise de documento usando o modelo de tópico será mostrado.
Capítulo 8 : Explica como usar os módulos do modelo de tópico na biblioteca Scikit-learn.
Ele é usado para extrair tópicos dos dados do documento em inglês do conjunto de dados 20 News Groups.
Capítulo 9 : Explica o modo de emprego da biblioteca específica do modelo de tópico Gensim.
Ele usa isso para extrair tópicos dos dados de documentos japoneses da Wikipedia.
Capítulo 10 : Estendendo o modelo de tópico para construir o modelo de tópico do autor.
Em seguida, ele usa a biblioteca de Gensim para extrair tópicos dos dados de postagem japoneses coletados do Twitter.
Capítulo 11 : Aplicando Modelos de Tópico a Conjuntos de Dados de Imagem.
A Biblioteca de Gensim é usada para extrair tópicos representados como pequenas células do conjunto de dados Caltech101.
Capítulo 12 : Aplicando Modelos de Tópico a Conjuntos de Dados de Trajetória.
Usando a Biblioteca de Gensim, os tópicos que servem como rotas (cursos) são extraídos dos dados do AIS dos navios.
[Mensagem do autor]
A prática é o atalho para a aquisição da tecnologia.
Ao ler este livro, lembre-se de repetir a prática.
Além disso, seria mais eficaz se o trabalho pudesse ser feito para resolver pudesse ser resolvido.
Esperamos que os leitores deste livro melhorem suas habilidades avançadas de análise de dados e sejam bem-vindos à prática.
[Conteúdo]
Parte das informações antes da emissão pode ser alterada.
1. Probabilidade e distribuição de probabilidade
1.1 Probabilidade e distribuição de probabilidade
1.1.1 Probabilidade e distribuição de probabilidade
1.1.2 Distribuição de probabilidade
1.2 Probabilidade condicional e distribuição de probabilidade
1.2.1 Probabilidade condicional e distribuição de probabilidade
1.2.2 Probabilidade simultânea
1.3 Teorema de multiplicação e teorema de Bayes
1.3.1 Teorema de multiplicação e teorema de Bayes
1.3.2 Teorema de Bayes
1.4 Várias distribuições de probabilidade
1.4.1 Distribuição de Bernoulli
1.4.2 Distribuição binomial
1.4.5 Distribuição exponencial
Exemplos de programas
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
> Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Modelo Unigram
Preparar um conjunto de dados a partir de dados do Twitter
Aplicar um modelo de tópico a um conjunto de dados do Twitter
Exercício
11. Extração de tópico a partir de um conjunto de dados de imagem

1.4.3 1.4.6 1.4.7 1.4.8 1.5 1.6 2.1 2.2 2.2.1 2.2.2 2.3 2.4 3.1 3.2 3.3 3.4 3.4.1 3.4.2 3.5 3.5.1 3.5.2 4.1 4.2 4.3 4.3.1 4.3.2 4.3.3 4.3.4 4.4 4.4.1 4.4.2 4.4.3 5.1 5.2 5.3 5.3.1 5.3.2 5.3.3 5.4 5.4.1 5.4.2 5.4.3 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 7.4.1 7.4.2 8.1 8.2 8.3 8.4 8.5 8.6 9.1 9.2 9.3 9.4 10.1 10.2 10.2.1 10.2.2 10.3 10.3.1 10.3.2 10.3.3 11.1 11.1.1 11.1.2 11.1.3 11.2 11.3 11.4 12.1 12.1.1 12.1.2 12.1.3 12.2 12.3 12.4 TFIDF PyMC PyMC PyMC TFIDF Gensim PyMC Scikit Scikit PyMC Arviz Scikit PyMC TFIDF Gensim PyMC PyMC Matplotlib MeCab Gensim PyMC Scikit