آموزش مدل‌های عصبی و ترجمه ماشینی - آخرین آپدیت

مدل‌های زبانی عصبی Neural Language Models

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• جاسازی کلمات (Word Embeddings) و نقش آن‌ها در NLP Word Embeddings and Their Role in NLP

• کاربردهای RNNها و LSTMها در NLP RNNs and LSTMs in NLP Applications

• مدل‌های توالی به توالی (Seq2Seq) Sequence-to-Sequence (Seq2Seq) Models

• آشنایی با ترنسفورمرها Introduction to Transformers

• پارادایم پیش‌آموزش و بهینه‌سازی (GPT 4, T5x, BART) Pretraining & Fine-Tuning Paradigm (GPT-4, T5x, BART)

• دمو: سیستم پاسخگویی هوشمند به پرسش‌ها برای پشتیبانی مشتریان (جاسازی کلمات و طبقه‌بندی پرسش) Demonstration: Intelligent Query Response System for Customer Support (Word Embedding and Query Classification)

• دمو: سیستم پاسخگویی هوشمند به پرسش‌ها برای پشتیبانی مشتریان (مدل Seq2Seq و بهینه‌سازی مدل T5) Demonstration: Intelligent Query Response System for Customer Support (Seq2Seq Model and Fine Tuning T5 Model)

• چرا مکانیسم توجه (Attention) در NLP اهمیت دارد؟ Why Attention is Important in NLP

• خود-توجهی (Self Attention) در ترنسفورمرها Self-Attention in Transformers

• توجه چندسر (Multi Head Attention) در BERT Multi-Head Attention in BERT

• بصری‌سازی مکانیسم‌های توجه Visualizing Attention Mechanisms

• توکنایزیشن زیر-کلمه (WordPiece, SentencePiece, Unigram) Subword Tokenization (WordPiece, SentencePiece, Unigram Models)

• کدگذاری جفت‌بایت (BPE) در ترنسفورمرها Byte-Pair Encoding (BPE) in Transformers

• خط لوله‌های توکنایزیشن در Hugging Face Tokenization Pipelines in Hugging Face

• مدیریت کلمات خارج از واژگان (OOV) در مدل‌های پیش‌آموزش‌دیده Handling Out-of-Vocabulary (OOV) Words in Pretrained Models

• دمو: توکنایزیشن زبان‌های کم‌منبع Demonstration: Tokenization of Low-resource Language

• مدل BERT: بهینه‌سازی و کاربردهای دنیای واقعی BERT: Fine-Tuning and Real-World Applications

• مدل‌های GPT: درک مفاهیم و موارد استفاده GPT Models: Understanding and Use Cases

• بهینه‌سازی ترنسفورمرها برای وظایف NLP Fine-Tuning Transformers for NLP Tasks

• یادگیری انتقالی برای NLP Transfer Learning for NLP

ترجمه ماشینی (MT) Machine Translation (MT)

• تکامل ترجمه ماشینی: از روش‌های قاعده‌مند تا ترجمه عصبی Evolution of Machine Translation: Rule-Based to Neural MT

• چالش‌های ترجمه ماشینی (کمبود داده، پیچیدگی‌های صرفی) Challenges in Machine Translation (Data Sparsity, Morphological Complexity)

• معیارهای ارزیابی (امتیاز BLEU, ROUGE, METEOR) Evaluation Metrics (BLEU Score, ROUGE, METEOR)

• ترجمه ماشینی بدون نظارت Unsupervised Machine Translation

• استراتژی‌های پیش‌آموزش چندزبانه برای ترجمه Zero Shot Multilingual Pretraining Strategies for Zero-Shot Translation

• ترجمه ماشینی عصبی (NMT) چیست؟ What is Neural Machine Translation (NMT)?

• معماری رمزگذار-رمزگشا در NMT Encoder-Decoder Architecture in NMT

• استفاده از LSTMها برای مدل‌سازی توالی در ترجمه Using LSTMs for Sequence Modeling in Translation

• مکانیسم‌های توجه در NMT Attention Mechanisms in NMT

• آموزش یک مدل NMT Training an NMT Model

• دمو: استفاده از LSTMها برای مدل‌سازی توالی در ترجمه Demonstration: Using LSTMS for Sequence Modeling in Translation

• چگونه ترنسفورمرها انقلاب ترجمه ماشینی ایجاد کردند (BERT, MarianMT) How Transformers Revolutionized MT (BERT, MarianMT)

• پردازش زبان طبیعی چندزبانه و ترجمه Zero Shot Multilingual NLP and Zero-Shot Translation

• تکنیک‌های ترجمه برای زبان‌های کم‌منبع Low-Resource Language Translation Techniques

• تکنیک‌های ترجمه Zero Shot Zero-Shot Translation Techniques

• دمو: ترجمه Zero Shot برای زبان‌های کم‌منبع Demonstration: Zero-Shot Translation for Low Resource languages

• انواع خطاها (لغوی، نحوی، معنایی، کاربردشناختی) Types of Errors (Lexical, Syntactic, Semantic, Pragmatic)

• شناسایی و رفع خطاهای رایج ترجمه Detecting and Fixing Common Translation Errors

• سفارشی‌سازی خط لوله‌های ترجمه برای نیازهای خاص هر دامنه Customizing Translation Pipelines for Domain-Specific Needs

• یادگیری تقویت‌شده از بازخورد انسانی (RLHF) برای بهینه‌سازی ترجمه Reinforcement Learning from Human Feedback (RLHF) for Translation Fine-Tuning

• دمو: شناسایی خطا در ترجمه انگلیسی به فرانسوی Demonstration: Error detection in English to French Translation

پردازش گفتار و NLP چندوجهی Speech and Multimodal NLP

• مبانی تشخیص گفتار Fundamentals of Speech Recognition

• مدل‌های تشخیص خودکار گفتار (ASR) مانند Whisper و DeepSpeech Automatic Speech Recognition (ASR) Models (e.g., Whisper, DeepSpeech)

• چالش‌های پردازش گفتار Challenges in Speech Processing

• کاربردهای تبدیل متن به گفتار (TTS) در NLP TTS Applications in NLP

• دمو: ساخت یک دستیار روایت صوتی Demonstration: Building a Voice Narration Assistant

• آشنایی با یادگیری چندوجهی (Multimodal Learning) Introduction to Multimodal Learning

• مدل‌های بینایی-زبانی (CLIP, BLIP) Vision-Language Models (CLIP, BLIP)

• یکپارچه‌سازی متن و گفتار در کاربردهای NLP Integrating Text and Speech in NLP Applications

• مدل‌های مولد برای محتوای چندوجهی Generative Models for Multimodal Content

• فشرده‌سازی مدل (کوانتیزاسیون، هرس کردن، تقطیر دانش) Model Compression (Quantization, Pruning, Knowledge Distillation)

• پردازش زبان طبیعی در لحظه برای دستگاه‌های Edge Real-Time NLP for Edge Devices

• تفسیرپذیری در مدل‌های عمیق NLP Explainability in Deep NLP Models

• هوش مصنوعی اخلاقی در NLP Ethical AI in NLP

• روندهای نوظهور (GPT 5, HyperNetworks, عوامل هوش مصنوعی خودمختار) Emerging Trends (GPT-5, HyperNetworks, Autonomous AI Agents)

ساخت چت‌بات‌ها Building Chatbots

• استفاده از NLP برای چارچوب‌های چت‌بات NLP for Chatbot Frameworks

• درک قصدها (Intents) و موجودیت‌ها (Entities) در چت‌بات‌ها Understanding Intents and Entities in Chatbots

• یکپارچه‌سازی چت‌بات با جریان‌های کاری کسب‌وکار Chatbot Integration with Business Workflows

• بهینه‌سازی مدل‌ها برای چت‌بات‌های متنی Fine-Tuning Models for Contextual Chatbots

• ارزیابی عملکرد چت‌بات (دقت، انسجام، بازخورد کاربر) Evaluating Chatbot Performance (Accuracy, Coherence, User Feedback)

• دمو: ساخت چت‌بات‌های چندمرحله‌ای (Multiturn) Demonstration: Building Multiturn Chatbots

جمع‌بندی دوره و ارزیابی‌ها Course Wrap-up and Assessments

• خلاصه دوره: مدل‌های عصبی و ترجمه ماشینی Course Summary: Neural Models and Machine Translation