本系列是《Text Analytics with Python》的读后理解，分享给感兴趣的朋友【不定期更新】。
0 引言
数据是“新时代的石油”，尤其是文本、图像，和视频数据，蕴含着异常丰富的信息，可以说是座潜在的金矿。但是，由于处理和分析该类数据固有的复杂性，所以，处理这种非结构化数据所要花费的时间和精力，让习惯处理结构化数据的人常常望而却步。自然语言处理（NLP，Natural Language Processing）就是利用相关的工具、技术和算法处理和和理解基于自然语言的数据，这些数据通常包括文本、语音等非结构化的数据。在本书中，我们会探讨一些经过实践检验的策略（技术和工作流），读者或数据科学家可借此从文本数据中提取有用的信息。
在当今快节奏的世界里，专攻计算机视觉和自然语言处理等领域不再是一种奢侈体验，而是任何数据科学家的必备技能！《Python文本处理》这本书就是教给您学习和应用NLP技术，从嘈杂的非结构文本数据里提取切实有用的信息。本书旨在帮助读者理解NLP相关的基本概念，同时辅以大量的研究案例和操作实例，帮助读者掌握和应用NLP解决现实问题的最新工具、技术和框架。本书代码使用Python3和最新的框架来实现这些案例，这些框架包括NLTK、Genism、spaCy、Scikit-Learn、TextBlob、Keras，及TensorFlow等。你可以在GitHub https://github.com/dipanjanS/text-analytics-with-python找到本书所有的例程。
这么些年，我在这个领域摸爬滚打，曾经碰到了各种各样的问题，遇到了多种多样挑战，也学到了各种各样的教训。本书是我在文本分析和自然语言处理领域习得的大量知识积累，需要说明一点，在这个领域，仅仅从一堆文本文档构建一个外表华丽的词云是远远不够的。也许，学习文本分析最大的问题不是信息匮乏，而是信息太多，通常也称之为信息过载。市面上，有太多的资源、文档、论文、书籍和期刊涉及这个领域，以至于常常会让新手不知所措。或许，你可能会有这样或者那样的问题：“什么才是解决问题的最正确方法?”，“文本摘要是如何工作的？”，“那个框架最合适解决多类型文本分组的问题？”，举不胜举。本书尝试将数学和理论概念与使用Python编写的真实案例实践相结合，帮助读者避免重走我曾经走过的弯路。
本书遵循全面和结构化的讲述方法，在前面章节，首先会介绍自然语言理解的基础知识和利用Python处理文本数据的相关内容。在掌握这些基础知识之后，会接着介绍文本处理、解析、和理解（text processing,parsing, and understanding)。再然后，我们会再后续每个章节介绍文本分析相关的议题，包括文本分类、聚类和相似性分析（similarity analysis），文本摘要、主题模型、语义分析和命名实体识别（named entity recognition）、情感分析，和模型解释（model interpretation）。最后一个章节介绍了深度学习和迁移学习（transfer learning）对NLP的最新发展，并介绍了使用通用句嵌入（universal sentence embeddings）方法的文本分类样例。
本书的目的是让您领略文本分析和NLP的广阔前景，帮助您利用必要的工具、技术和知识来解决您自己的问题。我希望这本书能对您有所帮助，并祝您在文本分析和NLP世界的旅途中一切顺利!
