Applied Natural Language Processing with Python

Monografía concisa y enfocada a la práctica publicada por Apress en la que Taweh Beysolow II expone la aplicación de algoritmos de aprendizaje automático y deep learning para procesar el lenguaje natural. El libro trabaja con Python 3 y el estado del arte de las librerías especializadas hacia 2018. Está orientado a desarrolladores de software, científicos de datos e ingenieros de nivel intermedio que ya dominan la sintaxis de Python y tienen bases de álgebra lineal y machine learning, pero buscan una guía compacta y orientada al código para resolver tareas comunes de PLN sin rodeos teóricos extensos.

El texto enseña la canalización completa del tratamiento de datos no estructurados: ingesta de texto desde diversas fuentes, limpieza y preprocesamiento con expresiones regulares, tokenización y eliminación de ruido. En el bloque de extracción de características y modelado estadístico, cubre representaciones Bag-of-Words con CountVectorizer, esquemas de ponderación TF-IDF, modelado de tópicos mediante Latent Dirichlet Allocation (LDA) y factorización de matrices no negativas (NMF), así como la generación y uso de representaciones vectoriales densas con Word2Vec (Skip-Gram y CBOW) y vectores GloVe. Posteriormente, introduce arquitecturas neuronales densas (MLP) y recurrentes (RNN, LSTM y redes bidireccionales BiRNN) aplicadas al etiquetado de secuencias, reconocimiento de entidades nombradas (NER), clasificación de documentos y modelos de secuencia a secuencia (Seq2Seq). Las librerías destacadas son NLTK, spaCy, Gensim, scikit-learn, TensorFlow y Keras.

Los problemas prácticos abordados incluyen un filtro clasificador de spam mediante TF-IDF, modelos de clasificación de sentimiento sobre opiniones de usuarios, la extracción de temas latentes sobre colecciones de documentos con LDA, el entrenamiento de embeddings propios con Word2Vec y la creación de un etiquetador de entidades nombradas junto con generadores de texto con redes LSTM. Su gran cualidad es la agilidad y concreción con la que condensa en solo 150 páginas el salto desde el procesamiento estadístico clásico hasta las redes neuronales recurrentes. Deja fuera explicaciones matemáticas detalladas y no incluye los modelos basados en transformadores que se popularizaron poco después, por lo que conviene complementarlo con manuales teóricos más extensos.