دوره آموزشی
دوبله زبان فارسی
مسترکلاس پردازش زبان طبیعی با مدلهای پیشرفته - برای هر دانشجو
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- پیشپردازش متن و بردارسازی متن
- متدهای یادگیری ماشین برای طبقهبندی متن
- شبکههای عصبی برای طبقهبندی متن
- تحلیل احساسات و تشخیص اسپم
- مدلسازی موضوع
- تعبیههای کلمه و تعبیههای کلمه عصبی
- Word2Vec و GloVe
- Generative AI برای داده متنی
- مدلهای مارکوف برای تولید متن
- شبکههای عصبی بازگشتی و LSTM
- شبکههای Seq2Seq برای تولید متن
- ترجمه ماشین
- ترنسفورمرها
پیشنیازهای دوره
- دانش اولیه برنامهنویسی پایتون
- کمی دانش دربارهی یادگیری ماشین مطلوب است.
توضیحات دوره
این یک دوره بزرگ 3 دوره در 1 دوره است که شامل موارد زیر میشود:
- پیشپردازش متن و بردارسازی متن
- یادگیری ماشین و روشهای آماری
- یادگیری عمیق برای پردازش زبان طبیعی و Generative AI برای متن
این دوره تمام جنبههای پردازش زبان طبیعی با مدلهای یادگیری ماشین، مدلهای آماری و مدلهای یادگیری عمیق پیشرفتهای مانند LSTM و ترنسفورمرها را پوشش میدهد.
این دوره پایهای برای یادگیری جدیدترین و پیشرفتهترین موضوعات تسکهای پردازش زبان طبیعی مرتبط با هوش مصنوعی مانند مدلهای زبانی بزرگ، مدلهای دیفیوژن و غیره فراهم میکند.
این دوره شامل توضیحات عملی برای تمام تسکهای پردازش زبان طبیعی با پیادهسازی در پایتون است.
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند از مبانی تا سطح پیشرفته پردازش زبان طبیعی را یاد بگیرند.
- محققان در زمینه هوش مصنوعی و پردازش زبان طبیعی
- دانشجویان و محققانی که میخواهند مهارتهای برنامهنویسی پایتون را در حین حل تسکهای مختلف پردازش زبان طبیعی توسعه دهند.
- کسانی که میخواهند از متلب و زبانهای برنامهنویسی دیگر به پایتون سوئیچ کنند.
مسترکلاس پردازش زبان طبیعی با مدلهای پیشرفته - برای هر دانشجو
-
مقدمهای بر دوره 12:34
-
چگونه در این دوره موفق شویم 01:14
-
آشنایی با بخش 02:23
-
نصب درایو و خواندن مجموعه داده 13:51
-
خواندن و نمایش تصاویر 08:01
-
خواندن مجموعه دادههای بیشتر 04:43
-
آپلود مطالب دوره در گوگل درایو 03:51
-
مقدمهای بر NLP 04:49
-
تاریخچه پردازش زبان طبیعی 04:33
-
کاربردهای پردازش زبان طبیعی 08:25
-
واژگان و مجموعه 02:46
-
آشنایی با بخش 02:39
-
توکنسازی و چالشها 05:54
-
انواع توکنسازی 04:45
-
پروژه 1: توکنسازی با پایتون 11:18
-
پروژه 2: توکنسازی با NLTK 06:24
-
Stemming ،Lemmatization و کلمات توقف 06:12
-
Lemmatization و Stemming با NLTK 13:37
-
آشنایی با بخش 02:25
-
نقشهبرداری کلمه به ایندکس 04:01
-
نقشهبرداری کلمه به ایندکس با پایتون 09:19
-
Bag of Words 09:04
-
بردارساز شمارش 05:56
-
بردارساز شمارش با پایتون 12:56
-
یادگیری ماشین با بردارساز شمارش 12:18
-
بردارساز TF-IDF 12:44
-
بردارساز TF-IDF در پایتون 08:32
-
آشنایی با بخش 03:10
-
آشنایی با بخش 03:49
-
مفهوم اولیه رگرسیون لجستیک 07:34
-
محدودیتهای رگرسیون 09:26
-
تبدیل رگرسیون خطی به رگرسیون لجستیک 08:05
-
ارزیابی مدل 10:14
-
دقت، صحت، بازیابی و امتیاز F1 14:02
-
پروژه 1: تحلیل احساسات با رگرسیون لجستیک 22:26
-
شهود پشت K-Nearest Neighbor (KNN) 04:39
-
الگوریتم KNN 04:07
-
مثال عددی برای KNN 07:13
-
پروژه 2: تحلیل احساسات با KNN 09:16
-
مدل تحلیل احساسات از پیش آموزشدیده 05:21
-
آشنایی با بخش 02:30
-
اصول احتمال 12:44
-
احتمال شرطی و قانون بیز 08:08
-
عددی در قانون بیز 05:13
-
طبقهبندی بیز ساده 09:40
-
مقایسه طبقهبندی بیز ساده با رگرسیون لجستیک 03:58
-
پروژه 1: تشخیص اسپم با طبقهبند بیز ساده 15:58
-
اصول ماشین بردار پشتیبان (SVM) 07:01
-
ریاضیات SVM 13:41
-
طبقهبند مارجین سخت و نرم 05:32
-
قانون تصمیمگیری برای SVM 03:57
-
ترفند کرنل در SVM 07:23
-
تشخیص اسپم با SVM 09:24
-
آشنایی با بخش 01:58
-
توزیع داده در آمار 07:39
-
توزیع دیریکله 06:56
-
کاربردهای توزیع دیریکله 06:34
-
آشنایی با بخش 01:52
-
مدلسازی موضوع 06:26
-
تخصیص دیریکله پنهان (LDA) 08:43
-
پروژه 1: مدلسازی موضوع با LDA 15:10
-
فاکتورگیری نامنفی ماتریس (NMF) 08:18
-
مدلسازی موضوع با NMF 12:45
-
آشنایی با بخش 01:57
-
پرسپترون 16:03
-
ویژگیها، وزن و توابع فعالیت 07:01
-
یادگیری شبکه عصبی 09:34
-
نیاز به توابع فعالیت 06:54
-
اضافه کردن تابع فعالیت به شبکه عصبی 04:58
-
سیگموئید به عنوان تابع فعالیت 08:01
-
تابع تانژانت هایپربولیک 05:08
-
ReLU و Leaky ReLU 06:19
-
تابع زیان MSE 04:14
-
تابع زیان آنتروپی متقاطع 09:41
-
تابع Softmax 08:34
-
آشنایی با بخش 01:41
-
آمادهسازی کد 05:05
-
پروژه 1: پیادهسازی شبکه عصبی در تنسورفلو - قسمت 1 09:31
-
پروژه 1: پیادهسازی شبکه عصبی در تنسورفلو - قسمت 2 04:30
-
پروژه 2: طبقهبندی متن با شبکه عصبی - قسمت 1 12:58
-
پروژه 2: طبقهبندی متن با شبکه عصبی - قسمت 2 06:12
-
آشنایی با بخش 05:33
-
کدگذاری One Hot 04:10
-
کدگذاری One Hot در پایتون 04:10
-
ماتریس همرخدادی - شهود تعبیههای کلمه 17:00
-
آشنایی با بخش 08:01
-
روشهای تعبیههای کلمه 02:49
-
پیادهسازی متدهای Word2Vec 02:48
-
Continuous Bag of Words (CBOW) 05:16
-
پروژه 1: پیادهسازی CBOW - قسمت 1 12:54
-
پروژه 1: پیادهسازی CBOW - قسمت 2 14:36
-
پروژه 1: پیادهسازی CBOW - قسمت 3 07:30
-
پروژه 2: پیادهسازی CBOW با مجموع بزرگ 07:36
-
Word2Vec از پیش آموزشدیده 06:59
-
پروژه 3: پیدا کردن تشبیهها با Word2Vec 12:12
-
طبقهبندی متن با Word2Vec 11:30
-
آشنایی با بخش 03:03
-
پروژه 2: GloVe از پیش آموزشدیده 10:56
-
آشنایی با بخش 03:31
-
آشنایی با بخش 03:17
-
مدل مارکوف و ماتریس انتقال حالت 11:05
-
پروژه 1: تولید متن با ماتریس انتقال حالت 16:05
-
مدل مارکوف مرتبه اول برای تولید متن 13:53
-
پروژه 2: تولید متن با مدل مارکوف مرتبه اول 24:54
-
مدل مارکوف مرتبه دوم 04:38
-
پروژه 3: تولید متن با مدل مارکوف مرتبه دوم 11:41
-
پروژه 4: تولید متن با مدل مارکوف مرتبه دوم با مجموعه بزرگ 08:04
-
پروژه 5: تولید متن با مدل مارکوف مرتبه سوم 08:31
-
آشنایی با بخش 02:22
-
نیاز به شبکه عصبی بازگشتی 03:00
-
داده ترتیبی 05:15
-
شبکه عصبی مصنوعی به شبکه عصبی بازگشتی 07:40
-
پسانتشار در طول زمان 13:29
-
حافظه طولانی کوتاهمدت (LSTM) 04:25
-
گیتهای LSTM 10:09
-
مفهوم اندازه دسته، طول توالی و بعد ویژگی 11:30
-
پروژه 1: شکلهای LSTM 21:54
-
پروژه 2: پیشبینی سری زمانی با LSTM 13:02
-
طبقهبندی MNIST با LSTM 02:52
-
پروژه 03: طبقهبندی MNIST - قسمت 1 05:39
-
پروژه 03: طبقهبندی MNIST - قسمت 2 02:51
-
طبقهبندی متن 07:07
-
پروژه 4: پیشپردازش متن 07:03
-
پروژه 5: طبقهبندی متن با LSTM 12:02
-
آشنایی با بخش 03:59
-
پیادهسازی شبکه Seq2Seq و آموزش اجباری 11:24
-
پروژه 1: تولید متن با شبکه Seq2Seq 15:40
-
پروژه 2: ترجمه ماشین (ترجمه زبان) با شبکه Seq2Seq 16:12
-
آشنایی با بخش 07:28
-
پروژه 1: تحلیل احساسات 14:57
-
پروژه 2: تولید متن 09:12
-
پروژه 3: مدلسازی زبان ماسک شده 08:21
-
پروژه 4: خلاصهسازی متن 07:58
-
پروژه 5: ترجمه ماشین 06:45
-
پروژه 6: پاسخ به سوالات 09:59
-
بلوکهای سازنده ترنسفورمر 06:58
-
رمزگذار و رمزگشا 10:10
-
کدگذاری موقعیتی 05:46
-
مکانیسم توجه 12:25
-
آشنایی با بخش 03:55
-
پروژه 1: مدل و توکنسازی 15:58
-
پروژه 2: تیونینگ ترنسفورمر برای تحلیل احساسات 15:15
-
پروژه 3: تیونینگ ترنسفورمر روی مجموعه داده سفارشی 14:42
-
آشنایی با بخش 02:11
-
آشنایی با بخش 02:05
-
عملکرد LSTM دوطرفه 04:26
-
پروژه 1: شکلهای LSTM دوطرفه 08:56
-
پروژه 2: LSTM دوطرفه برای مجموعه داده MNIST 07:06
-
LSTM دوبل دوطرفه 03:09
-
پروژه 3: LSTM دوطرفه برای مجموعه داده MNIST 11:33
-
آشنایی با بخش 03:53
-
پروژه 1: شکلهای رمزگذار 11:06
-
پروژه 2: طبقهبندی سری زمانی 17:21
-
پروژه 3: شکلهای ترنسفورمر سری زمانی 05:07
-
پروژه 4: بازسازی سری زمانی توسط ترنسفورمر سری زمانی 12:44
-
آشنایی با بخش 02:50
-
حساب با پایتون 10:09
-
عملیاتهای منطقی و مقایسه 05:52
-
عبارات شرطی 08:14
-
آرایههای NumPy - قسمت 1 11:31
-
آرایههای NumPy - قسمت 2 15:02
-
آرایههای NumPy - قسمت 3 10:52
-
ترسیم و تجسم قسمت 01 17:51
-
ترسیم و تجسم قسمت 02 15:03
-
ترسیم و تجسم قسمت 03 13:34
-
ترسیم و تجسم قسمت 04 07:35
-
لیستها در پایتون 20:27
-
حلقههای For - قسمت 1 21:03
-
حلقههای For - قسمت 2 20:36
-
حلقه While 12:16
-
رشتهها در پایتون 12:39
-
قالببندی چاپ با رشتهها 03:36
-
دیکشنریها - قسمت 1 07:11
-
دیکشنریها - قسمت 2 08:04
-
Seaborn - قسمت 1 08:21
-
Seaborn - قسمت 2 06:50
-
Seaborn - قسمت 3 07:16
-
پانداس - قسمت 1 06:24
-
پانداس - قسمت 2 05:20
-
پانداس - قسمت 3 08:54
-
پانداس - قسمت 4 05:54
-
توابع در پایتون - قسمت 1 08:15
-
توابع در پایتون - قسمت 2 07:59
-
کلاسها در پایتون 15:50
-
تاپلها 06:25
-
تابع لامبدا 08:48
-
تابع Map 07:47
-
تابع Reduce 05:13
-
تابع فیلتر 04:47
-
تابع zip 08:31
-
تابع join 04:13
مشخصات آموزش
مسترکلاس پردازش زبان طبیعی با مدلهای پیشرفته - برای هر دانشجو
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:191
- مدت زمان :27:32:38
- حجم :9.19GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
651,500
130,300 تومان
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,889,000
377,800 تومان
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,501,000
300,200 تومان
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,797,000
359,400 تومان
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
9,249,500
1,849,900 تومان
- زمان: 23:25:23
- تعداد درس: 78
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 01:08:59
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
5,029,500
1,005,900 تومان
- زمان: 12:44:39
- تعداد درس: 121
-
سطح دوره:
-
زبان: دوبله فارسی