مبانی یادگیری ماشین و NLP
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به یادگیری ماشین و یادگیری عمیق و اعمال NLP برای تحلیل و طبقهبندی پیشرفته متن
توضیحات دوره
به دوره «مبانی یادگیری ماشین و NLP» خوش آمدید، منبعی جامع برای یادگیری که برای علاقهمندان به تسلط به مفاهیم بنیادی یادگیری ماشین (ML) و پردازش زبان طبیعی (NLP) طراحی شده است. این دوره بهگونهای سازماندهی شده که به بررسی عمیق مفاهیم اصلی، الگوریتمها و کاربردهای ML و NLP پرداخته و شما را برای کشف و استفاده پیشرفته در این حوزهها آماده میکند.
در طول دوره، شرکتکنندگان درک جامعی از اصول یادگیری ماشین خواهند داشت، به بررسی انواع مختلف ML، تکنیکهای طبقهبندی و رگرسیون پرداخته و با ارزیابیهای عملی پایان خواهند داد. علاوه بر این، این دوره نگاهی عمیق به مفاهیم یادگیری عمیق، استفاده از تنسورفلو، طبقهبندی ارقام با شبکههای عصبی، شبکههای عصبی کانولوشن (CNNs)، شبکههای عصبی بازگشتی (RNNs) و شبکههای حافظه کوتاهمدت و بلندمدت (LSTM) خواهد داشت. همچنین مباحث حیاتی NLP از قبیل استخراج متن، پیشپردازش متن، تحلیل ساختار جمله و طبقهبندی متن پوشش داده خواهد شد.
در پایان دوره، موارد زیر را عملی میکنید:
- مفاهیم اصلی یادگیری ماشین و NLP را درک کرده و اعمال میکنید.
- بین انواع مختلف یادگیری ماشین تمایز قائل شده و زمان استفاده از آنها را تشخیص میدهید.
- تکنیکهای طبقهبندی، رگرسیون و بهینهسازی را در ML پیاده میکنید.
- از مدلهای یادگیری عمیق برای حل مسائل پیچیده استفاده میکنید.
- در تنسورفلو برای ساخت و آموزش مدلها ناوبری میکنید.
- شبکههای CNNs و RNNs را برای پردازش داده تصویر و دنباله بررسی میکنید.
- از تکنیکهای NLP برای تحلیل و طبقهبندی متن استفاده میکنید.
این دوره به طیف وسیعی از مخاطبان، از جمله دانشجویان، دانشمندان داده تازهکار، مهندسان نرمافزار و کسی که به یادگیری ماشین و پردازش زبان طبیعی علاقه دارد، میپردازد. چه شما در حال شروع سفر خود در ML و NLP باشید و چه بخواهید دانش بنیادی خود را تقویت کنید، این دوره بینشها و مهارتهای عملی ارزشمندی را ارائه میدهد.
از یادگیرندگان انتظار میرود درک پایهای از مفاهیم برنامهنویسی داشته باشند. آشنایی با پایتون و مفاهیم بنیادی هوش مصنوعی مفید خواهد بود اما اجباری نیست.
این دوره به چهار ماژول تقسیم شده که هر کدام به جنبههای مختلف یادگیری ماشین، یادگیری عمیق و پردازش زبان طبیعی میپردازد. هر درس شامل ویدئوهای آموزشی، متون مطالعاتی، تکالیف عملی و پرامپتهای مورد بحث برای تقویت یادگیری تعاملی و بهکارگیری مفاهیم است.
به این سفر آموزشی بپیوندید تا دنیای شگفتانگیز یادگیری ماشین و پردازش زبان طبیعی را کشف کنید. این دوره طراحی شده تا شما را با دانش و مهارتهای لازم برای ناوبری در چشمانداز در حال تحول هوش مصنوعی و علم داده مجهز کند و پایهای قوی برای کاوش و نوآوری بیشتر فراهم آورد.
مبانی یادگیری ماشین و NLP
-
مقدمه دوره 4:59
-
اصول هوش مصنوعی 6:46
-
رشتههای هوش مصنوعی 6:32
-
کاربردهای مختلف رشتههای هوش مصنوعی 3:37
-
انواع هوش مصنوعی 4:25
-
نوع اول هوش مصنوعی 5:56
-
نوع دوم هوش مصنوعی 6:31
-
اصول یادگیری ماشین 4:47
-
کاربردهای یادگیری ماشین 5:25
-
مدلهای پیشبینانه یادگیری ماشین 6:29
-
طبقهبندی و سایر مدلها 5:19
-
الگوریتمهای یادگیری ماشین - بررسی عمیق 5:46
-
الگوریتمهای یادگیری ماشین - بخش 2 5:03
-
یادگیری ماشین نظارت شده 4:22
-
کاربردهای یادگیری نظارت شده 3:37
-
استراتژیهای بخشبندی بازار در یادگیری ماشین نظارت نشده 5:27
-
آشنایی با یادگیری ماشین نظارت نشده 6:09
-
یادگیری نیمه نظارت شده 7:43
-
یادگیری تقویتی 5:17
-
یوزکیس یادگیری تقویتی 3:46
-
طبقهبندی 7:14
-
انواع الگوریتمهای طبقهبندی 2:21
-
سایر انواع الگوریتمهای طبقهبندی 4:32
-
نمایش طبقهبندی 3:38
-
مقیاسبندی ویژگی و آموزش Classifier 4:39
-
مصورسازی گزارش طبقهبندی 3:42
-
رگرسیون 6:39
-
نمایش رگرسیون 7:18
-
بررسی دوره None
-
چگونه از فرومهای بحث استفاده کنیم؟ None
-
مطالعه موردی یادگیری ماشین - مدلسازی پیشبینانه برای تشخیص زودهنگام دیابت None
-
خلاصه ماژول - یادگیری ماشین None
-
اصول یادگیری عمیق 5:47
-
یادگیری ماشین در مقابل یادگیری عمیق 5:29
-
مغز انسان در برابر شبکه عصبی 5:13
-
آشنایی با شبکه عصبی 4:42
-
پرسپترون 5:02
-
اجزای پرسپترون 3:44
-
نرخ یادگیری 5:34
-
نرخ یادگیری کمتر 3:35
-
اپوک 6:49
-
اهمیت اپوک 5:26
-
اندازه بچ 7:03
-
انتخاب اندازه بچ مناسب 7:36
-
پرسپترون تک لایه 4:08
-
کارکرد پرسپترون تک لایه 4:02
-
نصب تنسورفلو 7:10
-
نصب تنسورفلو 6:49
-
تعریف لایههای مدل دنباله 7:43
-
تابع فعالسازی 6:57
-
توابع فعالسازی پیشرفته 6:48
-
انواع لایه 5:49
-
انواع لایه 8:53
-
کامپایل کردن مدل 6:12
-
کاربردهای کامپایل کردن مدل 5:51
-
Optimizer مدل 5:04
-
درک Optimizer مدل 8:23
-
کاربردهای Optimizer مدل 6:17
-
طبقهبندی ارقام با استفاده از شبکه عصبی ساده در تنسورفلو 2.x 6:29
-
بهبود مدل 7:55
-
افزودن لایه پنهان 5:36
-
لایههای پنهان در شبکه عصبی 2:59
-
افزودن Dropout 7:02
-
Optimizer آدام 6:48
-
چگونه از Optimizer آدام استفاده کنیم؟ 3:26
-
مثال طبقهبندی تصویر 5:46
-
طبقهبندی تصویر - بخش 2 4:43
-
شبکه عصبی کانولوشن 6:50
-
چرا CNN نسبت به MLP ترجیح داده میشود؟ 7:05
-
لایه ReLU 7:20
-
Pooling 7:09
-
پیادهسازی لایه ReLU 6:37
-
مسطحسازی داده 7:25
-
استکسازی لایهها 6:48
-
لایه مسطحسازی 2:21
-
لایه کاملاً متصل 5:54
-
لایه نهایی 5:10
-
تشخیص گربه از سگ 7:18
-
ساخت مدل برای طبقهبندی گربه در مقابل سگ 3:29
-
نمایش سگ در مقابل گربه - بخش 1 5:34
-
نمایش سگ در مقابل گربه - بخش 2 6:11
-
نمایش سگ در مقابل گربه - بخش 3 4:41
-
اهمیت ذخیره و بارگذاری یک مدل 3:45
-
ذخیره و بارگذاری مدل - بخش 1 5:22
-
نمایش - ذخیره و بارگذاری مدل 5:54
-
پیادهسازی RNN 13:26
-
مبانی LSTM 9:03
-
ساختار LSTM 4:53
-
گیت 6:12
-
گیتها در LSTM 3:31
-
گیت ورودی، خروجی و فراموشی 7:03
-
معماری LSTM 2:40
-
معماری LSTM - بررسی 5:49
-
معماری LSTM - گیتها 5:53
-
اهمیت معماری LSTM 4:58
-
مدل مبتنی بر دنباله 3:05
-
مدل مبتنی بر دنباله در CNN 8:29
-
مدل مبتنی بر دنباله در CNN - ادامه 0:56
-
انواع LSTM 5:02
-
Vanilla LSTM و LSTM استک شده 6:50
-
شبکه عصبی کانولوشن LSTM 3:58
-
LSTM دوطرفه 4:49
-
نفرین ابعاد None
-
آشنایی با تنسورفلو None
-
کانولوشن - توضیح دقیق None
-
لایه کانولوشن - بررسی عمیق None
-
اصول RNN None
-
معماری RNN None
-
چگونه کارایی مدل را افزایش دهیم؟ None
-
پسانتشار در زمان None
-
خلاصه ماژول - یادگیری عمیق None
-
استخراج متن 3:48
-
نیاز به استخراج متن 7:24
-
کاربردهای استخراج متن 6:53
-
مقایسه کاربردها در استخراج متن 4:03
-
راهاندازی NLTK 4:45
-
نمایش راهاندازی NLTK 4:40
-
دسترسی به NLTK Corpora 14:17
-
توکنسازی 5:59
-
انواع توکنسازی 4:17
-
کاربردهای توکنسازی 5:15
-
Bigrams و Trigrams و Ngrams 6:02
-
نمایش Bigrams و Trigrams و Ngrams 6:03
-
Stemming 6:02
-
انواع مختلف Stemmer 2:13
-
نمایش Stemming 8:49
-
Lemmatization 8:22
-
Lemmatization با استفاده از NLTK 4:41
-
Stopwords 5:22
-
نمایش Stopwords 9:19
-
تگگذاری POS 4:38
-
تگها و توضیحات متداول POS 6:50
-
نیاز به تگهای POS 4:33
-
نمایش اجزای کلام 4:13
-
Bag of Words 7:55
-
نمایش رویکرد Bag of Words - بخش 1 4:01
-
نمایش رویکرد Bag of Words - بخش 2 4:12
-
پردازش متن 4:23
-
بردارساز شمارش 7:06
-
بردارسازی شمارش در Scikit - Learn 6:12
-
فراوانی اصطلاح (TF) 5:35
-
فراوانی اصطلاح در Scikit - Learn 3:39
-
نمایش فراوانی اصطلاح - بخش 1 3:09
-
نمایش فراوانی اصطلاح - بخش 2 5:47
-
فراوانی معکوس مستند (IDF) 5:48
-
مثال فراوانی معکوس مستند (IDF) 5:23
-
Classifier بیز ساده چندجملهای 7:00
-
الگوریتم بیز ساده چندجملهای 4:55
-
استفاده از ماتریس درهمریختگی 2:42
-
نمایش ماتریس درهمریختگی 6:16
-
آموزش پردازش زبان طبیعی (NLP) None
-
توزیع فراوانی در NLP None
-
بررسی دقیق توکنسازها و انواع آنها None
-
خلاصه ماژول - پردازش زبان طبیعی None
-
خلاصه دوره 4:43
-
پروژه عملی - توسعه سیستم مجهز به هوش مصنوعی برای تشخیص تقلب در تراکنشهای آنلاین None
مشخصات آموزش
مبانی یادگیری ماشین و NLP
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:156
- مدت زمان :13:03:33
- حجم :1.77GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy