پردازش زبان طبیعی در پایتون (دوره جدید 2025)

آنچه یاد خواهید گرفت

• مرور تاریخچه و تکامل تکنیک‌ها و کاربردهای NLP، از مدل‌های سنتی یادگیری ماشین تا رویکردهای مدرن LLM
• مرور پایپ لاین پیش‌پردازش متن NLP، شامل پاک‌سازی، نرمال‌سازی، تحلیل زبان‌شناختی و بردارسازی
• استفاده از تکنیک‌های سنتی یادگیری ماشین برای انجام تحلیل احساسات، طبقه‌بندی متن و مدل‌سازی موضوع
• درک نظریه شبکه‌های عصبی و یادگیری عمیق، اجزای پایه تکنیک‌های مدرن NLP
• تفکیک بخش‌های اصلی معماری ترنسفورمرها، شامل embeddings، مکانیزم توجه و شبکه‌های عصبی پیش‌خور (FFNs)
• استفاده از LLMهای پیش‌آموزش‌داده‌شده با Hugging Face برای انجام تحلیل احساسات، NER، طبقه‌بندی بدون نمونه (zero-shot)، شباهت اسناد، و خلاصه‌سازی و تولید متن

پیش نیازهای دوره

• ما به شدت توصیه می‌کنیم ابتدا دوره آماده سازی داده و EDA با پایتون را بگذرانید.
• Jupyter Notebooks (دانلود رایگان، در نصب همراه شما هستیم)
• آشنایی با اصول پایتون و پانداس توصیه می‌شود، اما الزامی نیست.

توضیحات دوره

آموزش پیش رو یک دوره عملی و کاربردی است که به گونه‌ای طراحی شده که مروری جامع بر تمام مفاهیم اساسی پردازش زبان طبیعی مدرن (NLP) در پایتون ارائه دهد.

ما این دوره را با مرور تاریخچه و تکامل NLP در 70 سال گذشته شروع می‌کنیم، که شامل محبوب‌ترین معماری فعلی، یعنی ترنسفورمرها است. همچنین مراحل اولیه پیش‌پردازش متن برای مدل‌سازی را مرور می‌کنیم، در این بخش یاد می‌گیرید چگونه داده را با پانداس و spaCy پاک‌سازی و نرمال‌سازی کرده و سپس آن رابا استفاده از تعداد کلمات و نمرات TF-IDF به صورت برداری در یک ماتریس Document-Term قرار دهید.

سپس، دوره به دو بخش تقسیم می‌شود:

• نیمه اول تکنیک‌های سنتی یادگیری ماشین را پوشش می‌دهد.
• نیمه دوم رویکردهای یادگیری عمیق مدرن و LLM (مدل زبانی بزرگ) را پوشش می‌دهد.

برای کابردهای سنتی NLP، ابتدا با تحلیل احساسات برای تعیین مثبت یا منفی بودن متن با کتابخانه VADER شروع می‌کنیم. سپس با Naïve Bayes طبقه‌بندی متن بر روی داده‌های برچسب‌دار و همچنین مدل‌سازی موضوع بر روی داده‌های بدون برچسب با استفاده از Non-Negative Matrix Factorization را پوشش می‌دهیم، همه این کارها با کتابخانه scikit-learn انجام می گیرد.

هنگامیکه درک جامعی از مفاهیم پایه NLP داشتید، به بخش دوم دوره درباره تکنیک‌های NLP مدرن می‌پردازیم که پیشرفت‌های عمده NLP و تغییر ذهنیت علم داده در دهه گذشته را پوشش می‌دهد.

ما با اجزای پایه تکنیک‌های NLP مدرن، که شبکه‌های عصبی هستند، شروع می‌کنیم. در ادامه یاد می‌گیرید چگونه شبکه‌های عصبی آموزش می‌بینند، با اصطلاحاتی مانند لایه‌ها، نودها، وزن و توابع فعال‌سازی آشنا می‌شوید، سپس معماری‌های محبوب یادگیری عمیق و کاربردهای عملی آن‌ها را می آموزید.

همچنین درباره ترنسفورمرها، معماری LLMهای محبوب مانند ChatGPT ،Gemini و Claude صحبت می‌کنیم. نحوه عملکرد لایه‌های اصلی و نقش آن‌ها، از جمله embeddings، مکانیزم توجه و شبکه‌های عصبی پیش‌خور را پوشش می‌دهیم. بعلاوه تفاوت‌های بین مدل‌های encoder-only ،decoder-only و encoder-decoder را مرور می‌کنیم و انواع LLMهای مرتبط با هر دسته را معرفی می‌کنیم.

آخرین اما نه کم‌اهمیت‌ترین مفاهیم یاد گرفته‌شده را با پایتون به کار می بریم. ما از کتابخانه Hugging Face Transformers و Model Hub آنها برای نمایش شش کاربرد عملی NLP، از جمله تحلیل احساسات، تشخیص موجودیت‌های اسمی، طبقه‌بندی Zero-Shot، خلاصه‌سازی متن، تولید متن و شباهت اسناد، استفاده خواهیم کرد.

طرح دوره:

• نصب و راه‌اندازی
  • نصب Anaconda، شروع به نوشتن کد پایتون در Jupyter Notebook و یادگیری نحوه ایجاد محیط جدید conda برای راه‌اندازی این دوره
• راهنمای پردازش زبان طبیعی 
  • مرور مبانی پردازش زبان طبیعی (NLP)، شامل مفاهیم کلیدی، تکامل NLP در طول سال‌ها و کاربردها و کتابخانه‌های پایتون
• پیش‌پردازش متن
  • مرور مراحل پیش‌پردازش متن قبل از اعمال الگوریتم‌های یادگیری ماشین، شامل پاک‌سازی، نرمال‌سازی، بردارسازی و سایر موارد
• NLP با یادگیری ماشین
  • انجام تحلیل احساسات، طبقه‌بندی متن و مدل‌سازی موضوع با استفاده از روش‌های سنتی NLP، شامل روش‌های مبتنی بر قانون، تکنیک های نظارت‌شده و بدون نظارت یادگیری ماشین
• شبکه‌های عصبی و یادگیری عمیق
  • تفکیک بصری مفاهیم شبکه‌های عصبی و یادگیری عمیق، اجزای پایه تکنیک‌های مدرن NLP
• ترنسفورمرها و LLMs
  • بررسی عمیق بخش‌های اصلی معماری ترنسفورمر شامل embeddings، مکانیزم توجه، FFNها و همچنین LLMهای محبوب برای تسک های NLP مانند BERT ،GPT و غیره
• ترنسفورمرهای Hugging Face
  • معرفی کتابخانه Transformers از Hugging Face در پایتون و مرور مثال‌هایی از نحوه استفاده از LLMهای پیش‌آموزش‌داده‌شده برای انجام تسک های NLP، شامل تحلیل احساسات، شناسایی موجودیت نام‌دار (NER)، طبقه‌بندی zero-shot، خلاصه‌سازی متن، تولید متن و شباهت اسناد
• مرور NLP و گام‌های بعدی
  • تکنیک‌های NLP که در این دوره پوشش داده می‌شوند را مرور کنید، زمان استفاده از آنها را بررسی کنید و نحوه بررسی پیشرفته تر و به‌روز ماندن را بیاموزید.

برای شروع آماده هستید؟ همین امروز در این دوره شرکت کنید و دسترسی فوری و مادام‌العمر به موارد زیر را دریافت کنید:

• 12.5 ساعت ویدئو با کیفیت بالا
• 13 تکلیف
• 4 تمرین تعاملی
• کتاب الکترونیکی پردازش زبان طبیعی در پایتون (با بیش از 200 صفحه)
• فایل‌های پروژه قابل دانلود و راه‌حل‌ها
• پشتیبانی متخصص و انجمن پرسش و پاسخ
• ضمانت رضایت 30 روزه Udemy

اگر شما هم یک دانشمند داده مشتاق یا باتجربه هستید که به دنبال مرور کلی عملی از تکنیک‌های سنتی و مدرن پردازش زبان طبیعی در پایتون هستید، این دوره برای شما مناسب است.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده مشتاق که می‌خواهند نمای کلی عملی از تکنیک‌های پردازش زبان طبیعی در پایتون را بدست آورند.
• دانشمندان داده باتجربه‌ای که به دنبال یادگیری جدیدترین تکنیک‌های NLP، مانند ترنسفورمرها، LLMها و Hugging Face هستند.