前言
第1章 语言与计算
数据科学范式
语言感知数据产品
语言即数据
小结
第2章 构建自定义语料库
语料库是什么？
语料库数据管理
语料库读取器
小结
第3章 语料库预处理与处置
分解文档
语料库的转换
小结
第4章 文本向量化和转换流水线
空间中的词
Scikit-Learn API
流水线
小结
第5章 面向文本分析的文本分类
文本分类
构建文本分类应用
小结
第6章 文本相似性聚类
文本上的无监督学习
文档相似性聚类
文档主题建模
小结
第7章 上下文感知文本分析
基于语法的特征提取
n-Gram特征提取
n-Gram语言模型
小结
第8章 文本可视化
可视化特征空间
模型诊断
可视化操纵
小结
第9章 文本的图分析
图计算与分析
从文本中抽取图
实体解析
小结
第10章 聊天机器人
对话基础
礼貌对话规则
有趣的问题
学习帮助
小结
第11章 利用多处理和Spark扩展文本分析
Python多处理
Spark集群计算
小结
第12章 深度学习与未来
应用神经网络
神经网络语言模型
情感分析
未来（几乎）已来
词汇表

从新闻、讲话，到社交媒体上非正式的聊天，自然语言是最丰富、且尚未充分利用的数据源之一。不但数据源源不断，在使用环境中还在不断调整、变化；还包含了很多传统数据源未能传达的信息。打开自然语言宝藏的钥匙，就是基于文本分析的创造性应用。这本实战指南介绍了从数据科学家角度如何建立语言感知产品并有效应用机器学习。
您将学到如何用Python实现健壮、可重复和可扩展的文本分析，包括上下文特征和语言特征工程、向量化、分类、主题建模、实体解析、图分析和可视化操作。在本书的最后，您将获得解决众多复杂现实问题的实用方法。
预处理并将文本向量化成高维特征表示。
执行文档分类和主题建模。
通过可视化诊断指导模型选择过程。
提取关键短语、命名实体和图结构，实现文本数据推断。
建立对话框架，实现聊天机器人和语言驱动交互。
用Spark扩展处理能力，用神经网络实现对更复杂模型的支持。