کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش متن کاوی با یادگیری ماشین و پایتون [ویدئو]

Text Mining with Machine Learning and Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: متن یکی از فعال‌ترین و گسترده‌ترین انواع داده‌ها در زمینه علم داده امروزی است. پیشرفت‌های جدید در تکنیک‌های یادگیری ماشین و یادگیری عمیق اکنون امکان ساخت محصولات داده فوق‌العاده بر روی منابع متنی را فراهم می‌کند. منابع داده متنی جدید و هیجان انگیز همیشه ظاهر می شوند. شما جعبه ابزار خود را از دانش، بسته ها و تکه کدهای کاری می سازید تا بتوانید تجزیه و تحلیل متن کاوی خود را انجام دهید. شما با درک اصول متن کاوی مدرن شروع کرده و به سراغ برخی از فرآیندهای هیجان انگیز درگیر در آن خواهید رفت. شما یاد خواهید گرفت که چگونه از یادگیری ماشین برای استخراج اطلاعات معنی دار از متن و فرآیندهای مختلف درگیر در آن استفاده می شود. شما یاد خواهید گرفت که ویژگی های متن را بخوانید و پردازش کنید. سپس یاد خواهید گرفت که چگونه اطلاعات را از متن استخراج کنید و بر روی مدل های از پیش آموزش دیده کار کنید، در حالی که در طبقه بندی متن و استخراج و طبقه بندی موجودیت نیز تحقیق کنید. با کار بر روی Skip-grams، CBOW و X2Vec با برخی از فرآیندهای اضافی و مهم متن کاوی، فرآیند جاسازی کلمه را بررسی خواهید کرد. در پایان دوره، شما جنبه های مختلف متن کاوی با ML و فرآیندهای مهم درگیر در آن را آموخته و درک خواهید کرد و به عنوان یک متن کاوی موثر سفر خود را آغاز خواهید کرد. بسته کد این دوره ویدیویی در https://github.com/PacktPublishing/Text-Mining-with-Machine-Learning-and-Python 1 موجود است. متن خود را اصلاح و پاک کنید. 2. استخراج داده های مهم از متن 3. طبقه بندی متن به انواع 4. تکنیک های مدرن ML و DL را روی متن اعمال کنید 5. روی مدل های از پیش آموزش دیده کار کنید 6. فرآیندهای متن کاوی مهم 7. تجزیه و تحلیل متن به بهترین و موثرترین روش این دوره دانشمندان داده را هدف قرار می دهد که نیاز به کسب مجموعه ای از مهارت های اولیه در زمینه تجزیه و تحلیل متن دارند، یا دانشمند داده شهروندی که می خواهد با متن کاوی راه بیفتد. از آنجایی که این یک دوره تخصصی محسوب می شود، دانش پایه پایتون، یادگیری ماشین و علم داده مورد نیاز است. ?رویکرد عملی با مثال های کاری * ?کار با داده های واقعی * ?کار با ابزارهای مدرن و آماده تولید * ?مرتبط ترین موضوعات را برای شروع کار پوشش دهید *
سرفصل ها و درس ها

شروع کار با متن کاوی Getting Started with Text Mining

  • بررسی اجمالی دوره The Course Overview

  • درک متن کاوی مدرن Understanding Modern-Day Text Mining

  • کاوش در جعبه ابزار متن کاوی Exploring Your Text Mining Toolbox

  • تنظیم محیط کاری Setting Up Your Working Environment

  • خلاصه ای کوتاه از موضوعاتی که به آنها خواهیم پرداخت A Short Rundown of the Topics We Will Cover

ویژگی های خواندن و پردازش متن Reading and Processing Text Features

  • درک منابع داده متنی Understanding Text Data Sources

  • پاک کردن متن کثیف Cleaning Messy Text

  • Tokenization، POS Tagging و Lemmatization Tokenization, POS Tagging, and Lemmatization

  • برخورد با N-Gram Dealing with N-Grams

استخراج از متن Extracting from Text

  • جستجوی کلمه در مقابل استخراج موجودیت Word Search Versus Entity Extraction

  • شناسایی نهاد نامگذاری شده (NER) Named Entity Recognition (NER)

  • استفاده از مدل های از پیش آموزش دیده Using Pre-Trained Models

  • آموزش NER خودتان Training Your Own NER

  • رویکرد یادگیری عمیق به NER Deep Learning Approach to NER

طبقه بندی متن Classification of Text

  • نمایش ویژگی Feature Representation

  • الگوریتم های یادگیری ماشین برای طبقه بندی متن Machine Learning Algorithms for Text Classification

  • راه اندازی یک طبقه بندی متن اصلی Setting Up a Basic Text Classifier

  • مشکلات و قوانین سرانگشتی Pitfalls and Rules of Thumb

  • قرار دادن طبقه بندی کننده ها در تولید Putting Classifiers into Production

  • رویکرد یادگیری عمیق به طبقه بندی متن Deep Learning Approach to Text Classification

جاسازی های کلمه Word Embeddings

  • جاسازی کلمه چیست؟ What Are Word Embeddings?

  • تکنیک های اصلی Main Techniques

  • آموزش مدل Word2Vec Training a Word2Vec Model

  • تجسم یک مدل جاسازی کلمه آموزش دیده Visualizing a Trained Word Embedding Model

  • X2Vec X2Vec

سایر موضوعات ML با متن Other ML Topics with Text

  • دوخت این همه با هم Stitching It All Together

  • مدل سازی موضوع Topic Modelling

  • تولید متن Text Generation

  • ترجمه ماشینی Machine Translation

  • بیشتر خواندن Further Reading

  • بسته شدن Closing

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.

آموزش متن کاوی با یادگیری ماشین و پایتون [ویدئو]
جزییات دوره
2 h 26 m
31
Packtpub Packtpub
(آخرین آپدیت)
1
1 از 5
ندارد
دارد
دارد

https://donyad.com/d/ae20e3

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Thomas Dehaene Thomas Dehaene

Thomas Dehaene دانشمند داده در FoodPairing است، یک مقیاس فناوری غذایی در بلژیک که از مفاهیم پیشرفته در یادگیری ماشین، پردازش زبان طبیعی و به طور کلی هوش مصنوعی برای دریافت معنا و روندها از رسانه های مرتبط با غذا استفاده می کند. او مدرک کارشناسی ارشد خود را در رشته مهندسی صنایع و تحقیقات عملیاتی در دانشگاه گنت دریافت کرد، قبل از اینکه شغل خود را به سمت تجزیه و تحلیل داده ها و علوم داده که در 5 سال گذشته در آن فعال بوده است، ادامه دهد. علاوه بر شغل روزانه‌اش، توماس در بسیاری از فعالیت‌های مرتبط با علم داده مانند هکاتون‌ها، مسابقات Kaggle، Meetups و پروژه‌های Science Data Science نیز فعال است.

Python NLTK پایتون Data Data Mining داده داده کاوی