آموزش پردازش زبان طبیعی (NLP) - مدل‌های یادگیری عمیق با پایتون - آخرین آپدیت

دانلود Natural Language Processing - Deep Learning Models in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و بلادرنگ که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در این دوره، شما خواهید آموخت که چگونه مدل‌های یادگیری عمیق (Deep Learning) را برای وظایف پردازش زبان طبیعی (NLP) با استفاده از پایتون به کار ببرید. در پایان این دوره، قادر خواهید بود مدل‌های پیشرفته یادگیری عمیق، از جمله شبکه‌های عصبی پیش‌خور (Feedforward)، شبکه‌های عصبی کانولوشنال (CNN) و شبکه‌های عصبی بازگشتی (RNN) را که برای کاربردهای NLP بهینه شده‌اند، درک و پیاده‌سازی کنید. همچنین تجربه عملی در زمینه طبقه‌بندی متن، جاسازی‌ها (Embeddings) و مدل‌های پیشرفته‌ای مانند CBOW، GRU و LSTM در محیط TensorFlow کسب خواهید کرد. دوره با ایجاد یک پایه قوی شروع می‌شود که در آن مفاهیم اساسی شبکه‌های عصبی و نقش آن‌ها در NLP را درک می‌کنید. سپس به سراغ پیاده‌سازی طبقه‌بندی متن با TensorFlow می‌روید و هم مبانی ریاضی نورون‌ها و هم جنبه‌های عملی پیاده‌سازی را بررسی می‌کنید. با پیشرفت دوره، به مدل‌های پیشرفته‌تری مانند شبکه‌های عصبی کانولوشنال و بازگشتی خواهید پرداخت. شما پس‌زمینه نظری و پیاده‌سازی کد هر یک از این مدل‌ها را بررسی می‌کنید تا هم دانش تئوری و هم مهارت‌های عملی را به دست آورید. نیمه دوم دوره بر موضوعات پیشرفته‌ای مانند Embeddings، مدل CBOW و شبکه‌های عصبی بازگشتی (RNNs) تمرکز دارد. شما بررسی خواهید کرد که چگونه RNNها برای پردازش داده‌های متوالی استفاده می‌شوند و وظایفی مانند تشخیص موجودیت‌های نام‌گذاری شده (NER) و برچسب‌گذاری اجزای سخن (POS) را پیاده‌سازی می‌کنید. علاوه بر این، با تمرینات عملی مواجه می‌شوید که شما را به چالش می‌کشد تا دانش خود در مورد شبکه‌های عصبی کانولوشنال و بازگشتی را در پروژه‌های واقعی NLP به کار بگیرید و مجموعه مهارت‌های خود را ارتقا دهید. این دوره برای افرادی طراحی شده است که به دنبال تعمیق درک خود از NLP با استفاده از مدل‌های یادگیری عمیق هستند. این دوره برای هر کسی که به تلاقی برنامه‌نویسی پایتون، یادگیری عمیق و پردازش زبان طبیعی علاقه‌مند است، مناسب است. اگرچه داشتن درک پایه‌ای از پایتون توصیه می‌شود، اما هیچ تجربه قبلی در یادگیری عمیق مورد نیاز نیست. دوره با سرعتی مناسب پیش می‌رود و هم بینش‌های نظری و هم تمرینات کدنویسی عملی را ارائه می‌دهد.

سرفصل ها و درس ها

خوش‌آمدگویی Welcome

  • معرفی و سرفصل‌ها Introduction and Outline

  • پیشنهاد ویژه Special Offer

راه اندازی و آماده‌سازی Getting Set Up

  • دسترسی به کدها Where To Get the Code

  • راهنمای موفقیت در این دوره How To Succeed in This Course

نورون (عصب) The Neuron

  • مقدمه بخش نورون The Neuron - Section Introduction

  • برازش خط Fitting a Line

  • آماده‌سازی کد طبقه‌بندی Classification Code Preparation

  • طبقه‌بندی متن در تنسورفلو (Tensorflow) Text Classification in Tensorflow

  • بررسی نورون The Neuron

  • مدل چگونه یاد می‌گیرد؟ How does a model learn?

  • جمع‌بندی بخش نورون The Neuron - Section Summary

شبکه‌های عصبی مصنوعی پیش‌خور Feedforward Artificial Neural Networks

  • مقدمه بخش شبکه‌های عصبی مصنوعی (ANN) ANN - Section Introduction

  • انتشار رو به جلو (Forward Propagation) Forward Propagation

  • تصویر هندسی مدل The Geometrical Picture

  • توابع فعال‌ساز Activation Functions

  • طبقه‌بندی چندکلاسه Multiclass Classification

  • آماده‌سازی کد ANN ANN Code Preparation

  • پیاده‌سازی ANN برای طبقه‌بندی متن در تنسورفلو Text Classification ANN in Tensorflow

  • آماده‌سازی کد پیش‌پردازش متن Text Preprocessing Code Preparation

  • پیش‌پردازش متن در تنسورفلو Text Preprocessing in Tensorflow

  • جاسازی‌ها (Embeddings) Embeddings

  • مدل CBOW (پیشرفته) CBOW (Advanced)

  • تمرین مدل CBOW CBOW Exercise Prompt

  • پیاده‌سازی CBOW در تنسورفلو (پیشرفته) CBOW in Tensorflow (Advanced)

  • جمع‌بندی بخش ANN ANN - Section Summary

  • ضمیمه: نحوه انتخاب هایپرپارامترها (اختیاری) Aside: How to Choose Hyperparameters (Optional)

شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Networks

  • مقدمه بخش CNN CNN - Section Introduction

  • کانولوشن چیست؟ What is Convolution?

  • کانولوشن: تطبیق الگو What is Convolution? (Pattern Matching)

  • کانولوشن: اشتراک وزن‌ها What is Convolution? (Weight Sharing)

  • کانولوشن روی تصاویر رنگی Convolution on Color Images

  • معماری CNN CNN Architecture

  • استفاده از CNN برای متن CNNs for Text

  • شبکه عصبی کانولوشنال برای NLP در تنسورفلو Convolutional Neural Network for NLP in Tensorflow

  • جمع‌بندی بخش CNN CNN - Section Summary

شبکه‌های عصبی بازگشتی (RNN) Recurrent Neural Networks

  • مقدمه بخش RNN RNN - Section Introduction

  • RNN ساده / واحد المان (بخش اول) Simple RNN / Elman Unit (pt 1)

  • RNN ساده / واحد المان (بخش دوم) Simple RNN / Elman Unit (pt 2)

  • آماده‌سازی کد RNN RNN Code Preparation

  • شبکه‌های RNN: توجه به ابعاد داده‌ها RNNs: Paying Attention to Shapes

  • مدل‌های GRU و LSTM (بخش اول) GRU and LSTM (pt 1)

  • مدل‌های GRU و LSTM (بخش دوم) GRU and LSTM (pt 2)

  • استفاده از RNN برای طبقه‌بندی متن در تنسورفلو RNN for Text Classification in Tensorflow

  • برچسب‌گذاری اجزای سخن (POS) در تنسورفلو Parts-of-Speech (POS) Tagging in Tensorflow

  • تشخیص موجودیت‌های نام‌گذاری شده (NER) در تنسورفلو Named Entity Recognition (NER) in Tensorflow

  • تمرین: بازگشت به CNNها (پیشرفته) Exercise: Return to CNNs (Advanced)

  • جمع‌بندی بخش RNN RNN - Section Summary

نمایش نظرات

آموزش پردازش زبان طبیعی (NLP) - مدل‌های یادگیری عمیق با پایتون
جزییات دوره
10h 33m
47
(آخرین آپدیت)
402
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده