StanfordNLP - Python NLP Library for Many Human Languages

پکیج stanfordnlp یک پکیج پردازش زبان طبیعی بوده برای زبان پایتون که بر پایه pytorch بنا شده.

کار کردن باهاش بسیار سادس و از ۵۳ زبان انسان پشتیبانی میکنه.

نکته قابل توجه ان پشتیبانی از زبان فارسی هست.

اطلاعات بیشتر در صفحه این پکیج:

لینک

#nlp #deeplearning #stanford #python

@pythonicAI

StanfordNLP - Python NLP Library for Many Human Languages

پکیج stanfordnlp یک پکیج پردازش زبان طبیعی بوده برای زبان پایتون که بر پایه pytorch بنا شده.

کار کردن باهاش بسیار سادس و از ۵۳ زبان انسان پشتیبانی میکنه.

نکته قابل توجه ان پشتیبانی از زبان فارسی هست.

اطلاعات بیشتر در صفحه این پکیج:

لینک

#nlp #deeplearning #stanford #python

@pythonicAI

Prof. Chris Manning, Director of StanfordAILab & founder of Stanfordnlp, shared inspiring thoughts on research trends and challenges in #computervision and #NLP at #CVPR2019. View full interview:

http://bit.ly/2KR21hO

✴️ @AI_Python_EN

تعدادی از منابع خوب در زمینه پردازش زبان طبیعی و پردازش متن:

1. Natural Language Processing with Python. by Steven Bird, Ewan Klein and Edward Loper.

2. Foundations of Statistical Natural Language Processing. by Christopher Manning and Hinrich Schütze.

3. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition. by Dan Jurafsky and James H. Martin

4. The Oxford Handbook of Computational Linguistics. by Ruslan Mitkov

5. Text Mining with R. by Julia Silge and David Robinson.

6. Neural Network Methods in Natural Language Processing (Synthesis Lectures on Human Language Technologies). by Yoav Goldberg , Graeme Hirst

7. Taming Text. by Grant Ingersoll, Thomas Morton and Drew Farris.

8. Deep Learning in Natural Language Processing. by Li Deng, Yang Liu

9. Applied Text Analysis with Python: Enabling Language-Aware Data Products with Machine Learning. by Benjamin Bengfort , Rebecca Bilbro , Tony Ojeda

10. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build

#nlp #natural #language #process #machinelearning #deeplearning #text

@pythonicAI

CS 124: From Languages to Information

http://web.stanford.edu/class/cs124/

#machinelearning #nlp

@pythonicAI

 
گوگل امروز از تغییر جدیدی در الگوریتم سرچش خبر داده که باعث بهبود و تغییر نتایج در 10 درصد سرچ های انگلیسی در امریکا میشه.

‏این تغییر جدید به کمک استفاده از الگوریتم BERT در سرچ گوگل به وجود اومده که نتیجه اون فهم بهتر جملاتی هست که کاربران سرچ میکنن. این الگوریتم رو گوگل پارسال معرفی و متن باز کرد و یکی از بهترین الگوریتم های پردازش طبیعی زبان (NLP) در زبان انگلیسی هست. برعکس الگوریتم قبلی که فقط به کلمات مهم در جمله نگاه میکرد و اونهارو در سرچ لحاظ میکرد، این الگوریتم جدید به کل جمله سرچ شده نگاه میکنه و مفهوم کلی اون رو متوجه میشه.

به طور مثال در تصویر اول عبارت زیر سرچ شده:
2019 brazil traveler to usa need a visa
که مفهوم این جمله این هست که ایا برای سفر از برزیل به امریکا نیاز به ویزا هست یا خیر. همونجور که در سمت چپ تصویر میبینید، الگوریتم قبلی گوگل یک خبر از واشنگتن پست رو در نتیجه اول سرچ گنجونده که کمک خاصی به کاربر نمیکنه. اما در الگوریتم جدید که در سمت راست تصویر قابل مشاهده اس، بخش ویزای سایت وزارت خارجه امریکا در نتیجه اول اومده که دقیقا چیزی هست که کاربر دنبالشه.

در مثال دوم کاربری عبارت زیر رو سرچ کرده:
math practice books for adults
‏که معنی جمله "کتابهای تمرین ریاضی برای بزرگسالان" هست. گوگل در الگوریتم قبلیش یک کتاب ریاضی برای کودکان اورده چون در توضیحات اون کتاب کلمه young adults هست. اما در الگوریتم جدید، یک کتاب مناسب برای بزرگسالان در نتیجه اول اومده، چون الگوریتم گوگل حالا فرق بین adults و young adults رو میدونه و بین اونها تمایز قائل میشه.

تغییر الگوریتم سرچ گوگل یکی از اتفاقات بزرگ در اینترنت هست چون باعث رشد یک سایت یا ورشکست شدن یک شرکت میشه و از همون اول این الگوریتم رمزالود بوده و اطلاعات کامل اون منتشر نشده تا کسی نتونه از اون سواستفاده کنه. به گفته گوگل این تغییر، بزرگترین تغییر الگوریتم سرچ گوگل در 5 سال اخیر هست و یکی از بزرگترین جهش های الگوریتم سرچ از ابتدا تاکنونه.

گوگل گفته این الگوریتم جدید به مرور زمان برای بقیه کشورها و بقیه زبان ها فعال خواهد شد.

#پردازش_زبان_طبیعی #NLP

🆔 @Ai_Tv

✅ Multi-Class Text Classification with LSTM using TensorFlow 2.0

✳ problem: BBC news document classification with LSTM

#tensorflow #nlp #lstm
https://towardsdatascience.com/multi-class-text-classification-with-lstm-using-tensorflow-2-0-d88627c10a35

@ai_python

Natural Language Processing Mindmap

#artificialintelligence #nlp

@pythonicAi

شرکت Amazon یه سری کورس رایگان گذاشته که قبلا فقط برای کارمندانش بوده. این آموزشها شامل 9 بخشه که سه بخش اولش شامل:
🔸NLP
🔸Computer Vision
🔸Tabular Data
میشه. اگه به ماشین لرنینگ و دیتاساینس علاقه دارید، فرصت رو از دست ندید.
Youtube channel

متریال آموزشی هم اینجاست👇
https://github.com/aws-samples/aws-machine-learning-university-accelerated-nlp

https://github.com/aws-samples/aws-machine-learning-university-accelerated-cv

https://github.com/aws-samples/aws-machine-learning-university-accelerated-tab

#machinelearning #datascience #computervision #nlp #artificialintelligence #course

@pythonicAi

شرکت Amazon یه سری کورس رایگان گذاشته که قبلا فقط برای کارمندانش بوده. این آموزشها شامل 9 بخشه که سه بخش اولش شامل:
🔸NLP
🔸Computer Vision
🔸Tabular Data
میشه. اگه به ماشین لرنینگ و دیتاساینس علاقه دارید، فرصت رو از دست ندید.
Youtube channel

متریال آموزشی هم اینجاست👇
https://github.com/aws-samples/aws-machine-learning-university-accelerated-nlp

https://github.com/aws-samples/aws-machine-learning-university-accelerated-cv

https://github.com/aws-samples/aws-machine-learning-university-accelerated-tab

#machinelearning #datascience #computervision #nlp #artificialintelligence #course

@pythonicAi

Textless NLP: Generating expressive speech from raw audio

Generative Spoken Language Model (GSLM), the first high-performance NLP model that leverages recent breakthroughs in representation learning, allowing it to work directly from only raw audio signals, without any labels or text.

Link

#deeplearning #nlp #selfsupervised #facebook

@pythonicAi

​​Summarizing Books with Human Feedback

OpenAI fine-tuned GPT3 to summarize books well enough to be human-readable. Main approach: recursively split text into parts and then meta-summarize summaries.

This is really important because once there will be a great summarization SOTA we won't need editors to write posts for you. And researchers ultimatively will have some asisstance interpreting models' results.

Read more
ArXiV

#deeplearning #nlp #gpt #transformer

@pythonicAi