본문 바로가기

리디북스 접속이 원활하지 않습니다.
강제 새로 고침(Ctrl + F5)이나 브라우저 캐시 삭제를 진행해주세요.
계속해서 문제가 발생한다면 리디북스 접속 테스트를 통해 원인을 파악하고 대응 방법을 안내드리겠습니다.
테스트 페이지로 이동하기


파이썬으로 배우는 자연어 처리 인 액션 상세페이지

컴퓨터/IT 개발/프로그래밍

파이썬으로 배우는 자연어 처리 인 액션

구매종이책 정가35,000
전자책 정가24,500(30%)
판매가22,050(10%)

혜택 기간: 04.29.(목)~05.27.(목)

파이썬으로 배우는 자연어 처리 인 액션

책 소개

<파이썬으로 배우는 자연어 처리 인 액션> 파이썬과 다양한 AI 패키지로 만드는 수준 높은 예제
최신 NLP 제품과 서비스 개발을 위한 실용주의적 안내서

최근 심층 학습(딥러닝) 기술이 발전하면서 응용 프로그램들이 대단히 정확하게 텍스트와 음성을 인식하게 되었다. 또한, 새로운 기술과 Keras나 TensorFlow 같은 사용하기 쉬운 도구들 덕분에 이제는 고품질 NLP(자연어 처리) 응용 프로그램을 예전보다 쉽게 만들어낼 수 있다. 『파이썬으로 배우는 자연어 처리 인 액션』은 사람의 언어를 읽고 해석할 수 있는 프로그램을 만들려는 모든 개발자를 위한 지침서다. 이 책에서는 바로 사용할 수 있는 파이썬 패키지들을 이용해서 텍스트의 의미를 포착하고 그에 따라 반응하는 챗봇을 구축한다. 또한, 전통적인 NLP 접근 방식들은 물론이고, 좀 더 최근의 심층 학습 알고리즘과 텍스트 생성 기법들을 동원해서 날짜와 이름 추출, 텍스트 작성, 비정형 질문에 대한 응답 같은 여러 실질적인 NLP 문제들을 해결한다.


저자 프로필

콜 하워드

  • 경력 기계 학습 공학자
    NLP 실무자

2020.12.16. 업데이트 작가 프로필 수정 요청

기계 학습 공학자이자 NLP 실무자이자 작가다. 대규모 전자상거래 추천 엔진들과 고차원 기계 지능 시스템을 위한 최신 심층 학습 신경망들을 개발했으며, 그의 모형들은 Kaggle 공모전에서 상위에 랭크되었다. 또한, Open Source Bridge Conference와 Hack University에서 합성곱 신경망과 순환 신경망에 관해, 그리고 그런 신경망들이 자연어 처리에서 차지하는 역할에 관해 강연했다.


저자 소개

저 : 홉슨 레인 (Hobson Lane)
사람 대신 중요한 결정을 내리는 자율 시스템을 구축하는 분야에서 20년의 경험을 쌓았다. Keras, scikit-learn, PyBrain 같은 여러 오픈소스 프로젝트에 적극적으로 기여하며, 현재 Total Good에서 오픈소스 인지 조교(cognitive assistant) 구축을 비롯한 개방형 과학 연구 및 교육 프로젝트에 힘쓰고 있다. 또한, AIAA, PyCon, IEEE 등에 논문을 게재하거나
강연했으며, 로봇공학과 자동화에 관련된 여러 특허도 가지고 있다.

저 : 하네스 막스 하프케 (Hannes Max Hapke)
전기 공학자가 기계 학습 공학자로 변신한 사례다. 대학교에서는 신경망 개념을 재생 가능 에너지 발전소를 효과적으로 제어하는 데 적용했다. 구인·구직, 보건 응용 프로그램을 위한 심층 학습 모형과 기계 학습 파이프라인을 개발하는 프로젝트에 참여했으며, OSCON, Open Source Bridge, Hack University 같은 여러 콘퍼런스에서 기계 학습을 주제로 강연했다.

저 : 콜 하워드 (Cole Howard)
기계 학습 공학자이자 NLP 실무자이자 작가다. 대규모 전자상거래 추천 엔진들과 고차원 기계 지능 시스템을 위한 최신 심층 학습 신경망들을 개발했으며, 그의 모형들은 Kaggle 공모전에서 상위에 랭크되었다. 또한, Open Source Bridge Conference와 Hack University에서 합성곱 신경망과 순환 신경망에 관해, 그리고 그런 신경망들이 자연어 처리에서 차지하는 역할에 관해 강연했다.

역 : 류광
25년 이상의 번역 경력을 가진 전문 번역가로, 커누스 교수의 『컴퓨터 프로그래밍의 예술』(The Art of Computer Programming) 시리즈와 스티븐스의 『UNIX 고급 프로그래밍』(Advanced Programming in UNIX Environment) 제2판 및 제3판을 포함하여 60여 권의 다양한 IT 전문서를 번역했다.
번역과 프로그래밍 외에 소프트웨어 문서화에도 많은 관심이 있으며, 수많은 오픈소스 프로젝트의 표준 문서 형식으로 쓰이는 DocBook의 국내 사용자 모임인 닥북 한국(docbook.kr)의 일원이다. 홈페이지 occam’s Razor(occamsrazr.net)와 게임 개발 사이트 GpgStudy(www.gpgstudy.com)를 운영한다.

목차

PART I 말 많은 컴퓨터: NLP의 기초
CHAPTER 1 사고의 단위: NLP의 개요
1.1 자연어 대 프로그래밍 언어
1.2 마법
1.2.1 대화하는 기계
1.2.2 수학
1.3 실제 응용들
1.4 컴퓨터의 ‘눈’으로 본 언어
1.4.1 자물쇠 언어
1.4.2 정규 표현식
1.4.3 간단한 챗봇
1.4.4 또 다른 방법
1.5 짧은 초공간 탐험
1.6 단어의 순서와 문법
1.7 챗봇의 자연어 처리 파이프라인
1.8 더 깊은 처리
1.9 자연어 IQ
요약

CHAPTER 2 나만의 어휘 구축: 단어 토큰화
2.1 어려운 문제: 어간 추출의 개요
2.2 토큰 생성기를 이용한 어휘 구축
2.2.1 내적
2.2.2 두 단어 모음의 중복 측정
2.2.3 토큰 개선
2.2.4 n-그램을 이용한 어휘 확장
2.2.5 어휘 정규화
2.3 감정 분석
2.3.1 VADER―규칙 기반 감정 분석기
2.3.2 단순 베이즈 모형
요약

CHAPTER 3 말 잘하는 수학: TF-IDF 벡터
3.1 단어 모음
3.2 벡터화
3.2.1 벡터 공간
3.3 지프의 법칙
3.4 주제 모형화
3.4.1 돌아온 지프
3.4.2 관련성 순위
3.4.3 주요 도구: scikit-learn
3.4.4 여러 TF-IDF 정규화 방법
3.4.5 Okapi BM25
3.4.6 다음 단계
요약

CHAPTER 4 단어 빈도에서 의미 찾기: 의미 분석
4.1 단어 빈도에서 주제 점수로
4.1.1 TF-IDF 벡터와 표제어 추출
4.1.2 주제 벡터
4.1.3 사고 실험
4.1.4 주제 점수를 매기는 알고리즘
4.1.5 LDA 분류기
4.2 잠재 의미 분석(LSA)
4.2.1 사고 실험의 실현
4.3 특잇값 분해
4.3.1 왼쪽 특이 벡터 행렬 U
4.3.2 특잇값 행렬 S
4.3.3 오른쪽 특이 벡터 행렬 VT
4.3.4 SVD 행렬의 방향
4.3.5 주제 절단
4.4 주성분 분석(PCA)
4.4.1 3차원 벡터에 대한 PCA
4.4.2 말을 떠나 다시 NLP로 돌아가서
4.4.3 PCA를 이용한 문자 메시지 잠재 의미 분석
4.4.4 절단된 SVD를 이용한 문자 메시지 잠재 의미 분석
4.4.5 스팸 분류에 대한 LSA의 정확도
4.5 잠재 디리클레 할당(LDiA)
4.5.1 LDiA의 기초
4.5.2 문자 메시지 말뭉치에 대한 LDiA 주제 모형
4.5.3 LDiA + LDA = 스팸 분류기
4.5.4 좀 더 공정한 비교: 주제가 32개인 LDiA
4.6 거리와 유사도
4.7 피드백에 기초한 방향 조정
4.7.1 선형 판별 분석(LDA)
4.8 주제 벡터의 위력
4.8.1 의미 기반 검색
4.8.2 개선안
요약

PART II 더 깊은 학습: 신경망 적용
CHAPTER 5 신경망 첫걸음: 퍼셉트론과 역전파
5.1 신경망의 구성요소
5.1.1 퍼셉트론
5.1.2 디지털 퍼셉트론
5.1.3 치우침 단위
5.1.4 오차 곡면을 누비며
5.1.5 경사로를 따라 활강
5.1.6 흔들어서 탈출
5.1.7 케라스: 신경망 파이썬 구현
5.1.8 더 깊게 배우고 싶다면
5.1.9 정규화: 스타일 있는 입력
요약

CHAPTER 6 단어 벡터를 이용한 추론: word2vec 활용
6.1 의미 기반 질의와 비유
6.1.1 비유 질문
6.2 단어 벡터
6.2.1 벡터 지향적 추론
6.2.2 word2vec의 단어 표현 계산
6.2.3 gensim.word2vec 모듈 사용법
6.2.4 나만의 단어 벡터 모형 만들기
6.2.5 word2vec 대 GloVe
6.2.6 fastText
6.2.7 word2vec 대 LSA
6.2.8 단어 관계의 시각화
6.2.9 인위적인 단어들
6.2.10 doc2vec을 이용한 문서 유사도 추정
요약

CHAPTER 7 단어 순서를 고려한 의미 분석: 합성곱 신경망
7.1 의미의 학습
7.2 도구 모음
7.3 합성곱 신경망
7.3.1 합성곱 신경망의 구조
7.3.2 단계 크기(보폭)
7.3.3 필터의 구성
7.3.4 여백 채우기
7.3.5 훈련(학습)
7.4 다시 텍스트로
7.4.1 케라스로 합성곱 신경망 구현: 자료 준비
7.4.2 합성곱 신경망의 구조
7.4.3 풀링
7.4.4 드롭아웃
7.4.5 마지막 층 추가
7.4.6 모형의 저장 및 시험
7.4.7 모형을 NLP 파이프라인에 도입
7.4.8 나머지 이야기
요약

CHAPTER 8 돌고 도는 신경망: 순환 신경망
8.1 과거를 아는 순환 신경망
8.1.1 시간에 대한 역전파
8.1.2 무엇을 언제 갱신하는가?
8.1.3 정리
8.1.4 항상 그렇듯이 함정이 있다
8.1.5 케라스를 이용한 순환 신경망 구현
8.2 모형의 컴파일
8.3 모형의 훈련
8.4 초매개변수 조율
8.5 예측
8.5.1 상태 유지
8.5.2 양방향 처리
8.5.3 순환층 출력의 의미
요약

CHAPTER 9 장단기 기억망(LSTM 망)을 이용한 기억 유지 개선
9.1 장단기 기억망(LSTM 망)
9.1.1 시간에 대한 역전파
9.1.2 예제 문장으로 모형을 시험
9.1.3 더러운 자료
9.1.4 다시 더러운 자료로 돌아가서
9.1.5 단어보다 글자가 쉽다
9.1.6 말문이 열린 신경망
9.1.7 구체적인 예제 하나
9.1.8 무엇을 말할 것인가?
9.1.9 다른 종류의 기억 수단
9.1.10 더 깊이 들어가서
요약

CHAPTER 10 순차열 대 순차열 모형과 주의 메커니즘
10.1 부호기-복호기 구조
10.1.1 생각 벡터의 복호화
10.1.2 비슷한 구조들
10.1.3 대화 생성을 위한 순차열 대 순차열 모형
10.1.4 LSTM 복습
10.2 순차열 대 순차열 NLP 파이프라인 구축
10.2.1 순차열 대 순차열 훈련을 위한 자료 집합 준비
10.2.2 케라스의 순차열 대 순차열 모형
10.2.3 순차열 부호기
10.2.4 생각 벡터 복호기
10.2.5 순차열 대 순차열 신경망 조립
10.3 순차열 대 순차열 신경망의 훈련
10.3.1 출력 순차열 생성
10.4 순차열 대 순차열 신경망을 이용한 챗봇 구축
10.4.1 훈련 자료 준비
10.4.2 문자 사전 구축
10.4.3 원핫 부호화 훈련 집합 생성
10.4.4 순차열 대 순차열 챗봇의 훈련
10.4.5 순차열 생성을 위한 모형 설정
10.4.6 순차열 생성(예측)
10.4.7 응답문 생성 및 출력
10.4.8 챗봇과 대화
10.5 개선안
10.5.1 버키팅을 이용한 학습 복잡도 감소
10.5.2 주의 메커니즘
10.6 순차열 대 순차열 신경망의 실제 용도
요약

PART III 응용: 실제 NLP 문제들
CHAPTER 11 정보 추출: 개체명 인식과 질의응답
11.1 개체명과 개체 관계
11.1.1 지식 베이스
11.1.2 정보 추출
11.2 정규 패턴
11.2.1 정규 표현식
11.2.2 기계 학습 특징 추출로서의 정보 추출
11.3 추출할 만한 정보
11.3.1 GPS 좌표 추출
11.3.2 날짜 추출
11.4 관계의 추출
11.4.1 품사 태깅
11.4.2 개체명 정규화
11.4.3 관계의 정규화와 추출
11.4.4 단어 패턴
11.4.5 분할
11.4.6 split(‘.!?’)만으로는 안 되는 이유
11.4.7 정규 표현식을 이용한 문장 분할
11.5 실제 용도
요약

CHAPTER 12 챗봇(대화 엔진) 만들기
12.1 대화 능력
12.1.1 현대적 접근 방식들
12.1.2 혼합형 접근 방식
12.2 패턴 부합 접근 방식
12.2.1 AIML을 이용한 패턴 부합 챗봇 구현
12.2.2 패턴 부합의 그래프 시각화
12.3 근거화
12.4 정보 검색
12.4.1 문맥 관리의 어려움
12.4.2 정보 검색 기반 챗봇 예제
12.4.3 Chatterbot 소개
12.5 생성 모형
12.5.1 NLPIA에 관한 대화
12.5.2 각 접근 방식의 장단점
12.6 사륜구동
12.6.1 챗봇 프레임워크 Will
12.7 설계 과정
12.8 요령과 편법
12.8.1 예측 가능한 답이 나올 질문을 던진다
12.8.2 동문서답
12.8.3 최후의 대비책은 검색
12.8.4 흥미 유지
12.8.5 인연 만들기
12.8.6 감정 담기
12.9 실제 응용 분야
요약

CHAPTER 13 규모 확장: 최적화, 병렬화, 일괄 처리
13.1 자료가 너무 많으면
13.2 NLP 알고리즘의 최적화
13.2.1 색인화
13.2.2 고급 색인화
13.2.3 Annoy를 이용한 고급 색인화
13.2.4 근사적 색인이 꼭 필요한가?
13.2.5 실숫값의 색인화: 이산화
13.3 상수 RAM 알고리즘
13.3.1 gensim
13.3.2 그래프 계산
13.4 NLP 계산 병렬화
13.4.1 GPU를 이용한 NLP 모형의 훈련
13.4.2 대여와 구매
13.4.3 GPU 대여 옵션들
13.4.4 TPU(텐서 처리 장치)
13.5 모형 훈련의 메모리 요구량 줄이기
13.6 TensorBoard를 이용한 모형 성능 평가
13.6.1 단어 내장 시각화
요약

APPENDIX A NLP 도구들
A.1 Anaconda3 설치
A.2 NLPIA 설치
A.3 IDE
A.4 우분투 패키지 관리자
A.5 맥 OS
A.5.1 Homebrew
A.5.2 기타 개발용 도구 설치
A.5.3 조율
A.6 Windows
A.6.1 VM 설정
A.7 NLPIA의 편의 기능

APPENDIX B 파이썬 즐기기와 정규 표현식
B.1 문자열 다루기
B.1.1 문자열 형식들: str과 bytes
B.1.2 파이썬 문자열 템플릿
B.2 파이썬의 매핑 자료 구조: dict와 OrderedDict
B.3 정규 표현식
B.3.1 |―OR 기호
B.3.2 ()―그룹 묶기
B.3.3 []―문자 부류
B.4 코딩 스타일
B.5 실력 쌓기

APPENDIX C 벡터와 행렬: 기초 선형대수
C.1 벡터
C.1.1 거리

APPENDIX D 기계 학습의 도구와 기법
D.1 자료 선택과 편향
D.2 얼마나 적합해야 적합된 것인가?
D.3 문제를 알면 반은 해결된 것이다
D.4 교차 검증
D.5 과대적합 방지
D.5.1 정칙화
D.5.2 드롭아웃
D.5.3 배치 정규화
D.6 불균형 훈련 집합
D.6.1 과다표집
D.6.2 과소표집
D.6.3 자료 증강
D.7 성능 측정
D.7.1 분류 모형의 성능 측정
D.7.2 회귀 모형의 성능 측정
D.8 전문가의 조언

APPENDIX E AWS GPU 설정
E.1 AWS 인스턴스 설정
E.1.1 비용 관리

APPENDIX F 지역 민감 해싱(LSH)
F.1 고차원 벡터는 어렵다
F.1.1 벡터 공간의 색인과 해시
F.1.2 고차원적 사고
F.2 고차원 색인화
F.2.1 지역 민감 해싱
F.2.2 근사 최근접 이웃 검색
F.3 ‘좋아요’ 예측

참고 자료
용어집
찾아보기


리뷰

구매자 별점

0.0

점수비율

  • 5
  • 4
  • 3
  • 2
  • 1

0명이 평가함

리뷰 작성 영역

이 책을 평가해주세요!

내가 남긴 별점 0.0

별로예요

그저 그래요

보통이에요

좋아요

최고예요

별점 취소

구매자 표시 기준은 무엇인가요?

'구매자' 표시는 리디북스에서 유료도서 결제 후 다운로드 하시거나 리디셀렉트 도서를 다운로드하신 경우에만 표시됩니다.

무료 도서 (프로모션 등으로 무료로 전환된 도서 포함)
'구매자'로 표시되지 않습니다.
시리즈 도서 내 무료 도서
'구매자’로 표시되지 않습니다. 하지만 같은 시리즈의 유료 도서를 결제한 뒤 리뷰를 수정하거나 재등록하면 '구매자'로 표시됩니다.
영구 삭제
도서를 영구 삭제해도 ‘구매자’ 표시는 남아있습니다.
결제 취소
‘구매자’ 표시가 자동으로 사라집니다.

이 책과 함께 구매한 책


이 책과 함께 둘러본 책



본문 끝 최상단으로 돌아가기

spinner
모바일 버전