本书是一本介绍NLTK的书，书中也介绍了很多有关Python语言的知识。本书首先帮助读者掌握构建系统NLP的要点，并引导读者探索数据科学相关的领域。除此之外，书中还介绍了很多有关于自然语言处理的重要知识，让读者深入掌握一些Python里可以应用到自然语言处理中的实用的工具和库。通过学习本书，读者将对自然语言处理和机器学习有更加深入的认识，并能够更好地利用Python语言处理众多非结构化的数据。
自然语言处理（NLP）属于人工智能与计算机语言学的交叉领域，处理的是计算机与人类语言之间的交互问题。随着人机交互需求的日益增长，计算机具备处理当前主要自然语言的能力已经成为了一个必然趋势。NLTK正是这一领域中一个强大而稳健的工具包。
在这本书中，我们首先会介绍一些与NLP相关的知识。然后，我们会探讨一些与数据科学相关的任务，通过这些任务来学习如何从零开始构建自定义的标识器和解析器。在此过程中，我们将会深度探索NLP领域的基本概念，为这一领域各种开源的Python工具和库提供具有实践意义的见解。接下来，我们将会介绍如何分析社交媒体网站，发现热门话题，进行舆情分析。zui后，我们还会介绍一些用于处理大规模文本的工具。
在阅读完本书之后，您将会对NLP与数据科学领域中的概念有一个充分的了解，并能将这些知识应用到日常工作中。
如果您是NLP或机器学习相关领域的爱好者，并有一些文本处理的经验，那么本书就是为你量身定做的。此外，这本书也是专业Python程序员快速学习NLTK库的理想选择。
通过本书，你将学会：
■ 了解自然语言的复杂性以及机器对它们的处理方式。
■ 如何利用标识化处理手段清理文本歧义，并利用分块操作更好地处理数据。
■ 探索不同标签类型的作用，并学习如何将句子标签化。
■ 如何根据自己的需要来创建自定义的解析器和标识器。
■ 如何构建出具有拼写检查、搜索、机器翻译以及问答系统等功能的实用程序。
■ 如何通过信息爬取与捕获的手段对相关数据内容进行检索。
■ 如何通过特性的提取与选取，构建出针对不同文本的分类系统。
■ 如何使用各种第三方Python库，如pandas、scikit-learn、matplotlib、gensim。
■ 如何对社交媒体网站进行分析，包括发掘热门话题、舆情分析等。
Nitin Hardeniya 数据科学家，拥有4年以上从业经验，期间分别任职于Fidelity、Groupon和[24]7等公司，其业务横跨各个不同的领域。此外，他还拥有IIIT-H的计算语言学硕士学位，并且是5项客户体验专利的作者。
第1章 自然语言处理简介 1
1．1 为什么要学习NLP 2
1．2 先从Python开始吧 5
1．2．1 列表 5
1．2．2 自助功能 6
1．2．3 正则表达式 8
1．2．4 字典 9
1．2．5 编写函数 10
1．3 向NLTK迈进 11
1．4 练习 16
1．5 小结 17
第2章 文本的歧义及其清理 18
2．1 何谓文本歧义 18
2．2 文本清理 20
2．3 语句分离器 21
2．4 标识化处理 22
2．5 词干提取 23
2．6 词形还原 24
2．7 停用词移除 25
2．8 罕见词移除 26
2．9 拼写纠错 26
2．10 练习 27
2．11 小结 28
第3章 词性标注 29
3．1 何谓词性标注 29
3．1．1 Stanford标注器 32
3．1．2 深入了解标注器 33
3．1．3 顺序性标注器 35
3．1．4 Brill标注器 37
3．1．5 基于机器学习的标注器 37
3．2 命名实体识别（NER） 38
3．3 练习 40
3．4 小结 41
第4章 文本结构解析 43
4．1 浅解析与深解析 43
4．2 两种解析方法 44
4．3 为什么需要进行解析 44
4．4 不同的解析器类型 46
4．4．1 递归下降解析器 46
4．4．2 移位-归约解析器 46
4．4．3 图表解析器 46
4．4．4 正则表达式解析器 47
4．5 依存性文本解析 48
4．6 语块分解 50
4．7 信息提取 53
4．7．1 命名实体识别（NER） 53
4．7．2 关系提取 54
4．8 小结 55
第5章 NLP应用 56
5．1 构建第一个NLP应用 57
5．2 其他NLP应用 60
5．2．1 机器翻译 60
5．2．2 统计型机器翻译 61
5．2．3 信息检索 62
5．2．4 语音识别 64
5．2．5 文本分类 65
5．2．6 信息提取 66
5．2．7 问答系统 67
5．2．8 对话系统 67
5．2．9 词义消歧 67
5．2．10 主题建模 68
5．2．11 语言检测 68
5．2．12 光符识别 68
5．3 小结 68
第6章 文本分类 70
6．1 机器学习 71
6．2 文本分类 72
6．3 取样操作 74
6．3．1 朴素贝叶斯法 76
6．3．2 决策树 79
6．3．3 随机梯度下降法 80
6．3．4 逻辑回归 81
6．3．5 支持向量机 81
6．4 随机森林算法 83
6．5 文本聚类 83
6．6 文本中的主题建模 84
6．7 参考资料 87
6．8 小结 87
第7章 Web爬虫 88
7．1 Web爬虫 88
7．2 编写第一个爬虫程序 89
7．3 Scrapy库中的数据流 92
7．3．1 Scrapy库的shell 93
7．3．2 目标项 98
7．4 生成网站地图的蜘蛛程序 99
7．5 目标项管道 100
7．6 参考资料 102
7．7 小结 102
第8章 NLTK与其他Python库的搭配
运用 104
8．1 NumPy 104
8．1．1 多维数组 105
8．1．2 基本运算 106
8．1．3 从数组中提取数据 107
8．1．4 复杂矩阵运算 108
8．2 SciPy 112
8．2．1 线性代数 113
8．2．2 特征值与特征向量 113
8．2．3 稀疏矩阵 114
8．2．4 优化措施 115
8．3 pandas 117
8．3．1 读取数据 117
8．3．2 数列 119
8．3．3 列转换 121
8．3．4 噪声数据 121
8．4 matplotlib 123
8．4．1 子图绘制 123
8．4．2 添加坐标轴 124
8．4．3 散点图绘制 125
8．4．4 条形图绘制 126
8．4．5 3D绘图 126
8．5 参考资料 126
8．6 小结 127
第9章 Python中的社交媒体挖掘 128
9．1 数据收集 128
9．2 数据提取 132
9．3 地理可视化 134
9．3．1 影响力检测 135
9．3．2 Facebook 135
9．3．3 有影响力的朋友 139
9．4 小结 141
第10章 大规模文本挖掘 142
10．1 在Hadoop上使用Python的
不同方式 142
10．1．1 Python的流操作 143
10．1．2 Hive/Pig下的UDF 143
10．1．3 流封装器 143
10．2 Hadoop上的NLTK 144
10．2．1 用户定义函数
（UDF） 144
10．2．2 Python的流操作 146
10．3 Hadoop上的Scikit-learn 147
10．4 PySpark 150
10．5 小结 153
新书资讯