Text Analytics with Python

Guía práctica y metodológica publicada por Apress en la que Dipanjan Sarkar presenta los fundamentos esenciales de la lingüística computacional y la analítica de texto con Python. Desarrollada sobre Python 3.x y el ecosistema clásico de ciencia de datos, esta primera edición de 2016 está dirigida a analistas de datos, científicos de datos en formación e ingenieros de software con conocimientos intermedios de Python que necesitan dominar el procesamiento, limpieza y análisis estructurado de corpus textuales reales utilizando métodos estadísticos y de machine learning supervisado y no supervisado.

La obra enseña con minuciosidad la teoría y ejecución del pipeline de procesamiento de texto: tokenización, normalización sintáctica, eliminación de palabras vacías, lematización, stemming, análisis morfosintáctico (POS tagging) y análisis sintáctico formal (shallow parsing y dependency parsing). En la etapa de modelado, cubre la transformación de texto en matrices cuantitativas mediante Bag-of-Words, n-gramas y TF-IDF, clasificación supervisada de documentos (con algoritmos como Naive Bayes, máquinas de vectores de soporte y regresión logística), resumen extractivo automático de textos, modelado de temas latentes con Latent Semantic Analysis (LSA) y Latent Dirichlet Allocation (LDA), métricas de similitud textual (distancias coseno, jaccard y euclidiana), agrupamiento de documentos (K-means y clustering jerárquico) y análisis de sentimiento tanto por léxicos anotados (VADER, SentiWordNet) como por clasificadores entrenados. Emplea librerías consagradas como NLTK, scikit-learn, Pattern, TextBlob y Gensim.

Entre las aplicaciones prácticas desarrolladas destacan un sistema de recomendación de películas basado en la similitud de contenido de sus sinopsis, canalizaciones completas de clasificación temática de noticias y flujos de análisis de polaridad y subjetividad de opiniones de usuarios. El libro destaca por su rigor lingüístico y por dotar al lector de una comprensión sólida de la ingeniería de características tradicional. No abarca el aprendizaje profundo, arquitecturas recurrentes ni embeddings neuronales modernos (que el autor incorporó ampliamente en la segunda edición), lo que lo convierte en una excelente base de referencia para asentar los principios fundamentales del procesamiento del lenguaje natural antes de abordar modelos neuronales.