لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پردازش دستی زبان طبیعی با Pytorch [ویدئو]
Hands-On Natural Language Processing with Pytorch [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
هدف اصلی این دوره آموزش شما برای انجام وظایف پیچیده NLP (و ساخت برنامه های کاربردی زبان هوشمند) با استفاده از یادگیری عمیق با PyTorch است.
شما در طول دوره دو برنامه کامل NLP در دنیای واقعی خواهید ساخت. اولین برنامه یک تحلیلگر احساسات است که داده ها را تجزیه و تحلیل می کند تا مشخص کند که آیا نقد نسبت به یک فیلم خاص مثبت است یا منفی. سپس یک ماشین ترجمه عصبی پیشرفته که یک موتور ترجمه گفتار است، با استفاده از مدلهای Sequence to Sequence با سرعت و انعطافپذیری PyTorch برای ترجمه متن داده شده به زبانهای مختلف ایجاد میکنید.
در پایان دوره، مهارتهایی را خواهید داشت که با استفاده از قابلیتهای یادگیری عمیق PyTorch، مدلهای NLP دنیای واقعی خود را بسازید.
بسته کد این دوره ویدیویی در دسترس است - https://github.com/PacktPublishing/Hands-On-Natural-Language-Processing-with-Pytorch
این دوره از Python 3.6، Pytorch 1.0، NLTK 3.3.0 و Spacy 2.0 استفاده می کند، در حالی که آخرین نسخه موجود نیست، محتوای مرتبط و آموزنده را برای کاربران قدیمی PyTorch ارائه می دهد. [*] پردازش اطلاعات روشنگر از داده های خام با استفاده از تکنیک های NLP با PyTorch
[*]کار با PyTorch برای استفاده از حداکثر سرعت و انعطاف پذیری آن
[*]ابزارهای روش های سنتی و مدرن NLP مانند NLTK، Spacy، Word2Vec Gensim
[*]پیاده سازی مدل جاسازی کلمه و استفاده از آن با جعبه ابزار Gensim
[*]مدلهای دنباله به دنباله (که در ترجمه استفاده میشوند) که یک دنباله را میخوانند، دنبالهای دیگر تولید میکنند.
[*]استفاده از LSTM با استفاده از PyTorch برای تحلیل احساسات و تفاوت آن با RNN
[*]مقایسه و تجزیه و تحلیل نتایج با استفاده از شبکههای توجه برای بهبود عملکرد پروژهتان اگر یک توسعهدهنده، محقق یا دانشمند دادههای هوش مصنوعی مشتاق هستید که آماده غواصی عمیقتر در این حوزه به سرعت در حال رشد هوش مصنوعی هستید، این دوره برای شما مناسب است! برخی از پیشینه و تجربه اولیه یادگیری ماشین در برنامه نویسی با پایتون مورد نیاز است. [*]آموزش عملی گسترده برای درک عملکرد ترکیبی NLP، یادگیری عمیق، و PyTorch * [*]با هر دو ابزار سنتی و مدرن NLP مانند NLTK، SpaCy و Word2Vec برای ایجاد مدلهای NLP در دنیای واقعی کار کنید. * [*] هر فصل شامل چندین مثال کد و تصویر برای درک عمیق از انجام وظایف پیچیده NLP است *
سرفصل ها و درس ها
بالا و در حال اجرا با PyTorch
Up and Running with PyTorch
بررسی اجمالی دوره
The Course Overview
استفاده از یادگیری عمیق در پردازش زبان طبیعی
Using Deep Learning in Natural Language Processing
توابع و ویژگی های PyTorch
Functions and Features of PyTorch
نصب و راه اندازی PyTorch
Installing and Setting Up PyTorch
درک تحلیل احساسات و NMT
Understanding Sentiment Analysis and NMT
پاکسازی داده ها و پیش پردازش برای تجزیه و تحلیل احساسات
Data Cleaning and Preprocessing for Sentiment Analysis
NLTK و SpaCy Installations
NLTK and spaCy Installations
توکن سازی با NLTK
Tokenization with NLTK
کلمات را متوقف کنید
Stop Words
Lemmatization
Lemmatization
خطوط لوله
Pipelines
پیاده سازی Word Embedding با gensim
Implement Word Embeddings with gensim
کار با Word Embeddings
Working with Word Embeddings
راه اندازی و نصب gensim
Setting Up and Installing gensim
کاوش تعبیههای Word با gensim
Exploring Word Embeddings with gensim
درک جاسازی های ایجاد شده
Understanding the Embeddings Created
جاسازی های از پیش آموزش دیده با استفاده از Word2vec
Pretrained Embeddings Using Word2vec
واحدهای RNN و LSTMs را برای تجزیه و تحلیل احساسات آموزش دهید
Train RNNs and LSTMs Units for Sentiment Analysis
کار با شبکه عصبی تکراری
Working with Recurrent Neural Network
پیاده سازی RNN
Implementing RNN
نتایج با RNN
Results with RNN
کار با LSTM
Working with LSTM
پیاده سازی LSTM
Implementing LSTM
نتایج با LSTM
Results with LSTM
مترجم ماشین عصبی بسازید
Build a Neural Machine Translator
معرفی seq2seq
Intro to seq2seq
تاسیسات
Installations
پیاده سازی seq2seq – رمزگذار
Implementing seq2seq – Encoder
پیاده سازی seq2seq – رمزگشا
Implementing seq2seq – Decoder
نتایج با seq2seq
Results with seq2seq
ترجمه ماشین عصبی را با شبکه های توجه بهبود بخشید
Improve the Neural Machine Translation with Attention Networks
مقدمه ای بر شبکه های توجه
Introduction to Attention Networks
پیاده سازی seq2seq – رمزگذار
Implementing seq2seq – Encoder
نتایج با شبکه توجه
Results with Attention Network
راه پیش رو
The Way Forward
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
جیبین متیو یک دانشمند ارشد داده و محقق یادگیری ماشین است که بیش از 7 سال در حوزه هوش مصنوعی کار کرده است. او یک کارآفرین سریالی است و چندین شرکت نوپای هوش مصنوعی را تاسیس کرده است. او پیشینه مهندسی نرم افزار قوی دارد و گردش کار کامل را از تحقیق گرفته تا استقرار تولید مقیاس پذیر درک می کند. او راه حل هایی در زمینه های مراقبت های بهداشتی، محیط زیست، مالی، نظارت صنعتی و خرده فروشی ایجاد کرده است. او مشاور شرکت های مختلف در تلاش های هوش مصنوعی آنها بوده است. او برنده چالش جهانی تاثیر دانشگاه Singularity 2018 بود و بخشی از پلتفرم های مختلف جهانی بوده است. او یک مشارکت کننده فعال در جامعه است و دانش خود را با نوشتن محتوا و از طریق پست های وبلاگ به اشتراک می گذارد.
نمایش نظرات