پردازش زبان طبیعی - جاسازی ها و پیش پردازش متن در پایتون [ویدئو]

Natural Language Processing - Embeddings and Text Preprocessing in Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، شما سفری را در میان مفاهیم اساسی و کاربردهای عملی پردازش زبان طبیعی (NLP) در پایتون آغاز خواهید کرد. با شروع با تعاریف اولیه، به سرعت به درک اهمیت مدل های برداری در NLP خواهید رسید. ویدیوهای ما شما را از طریق تکنیک‌های ضروری مانند نشانه‌سازی، ریشه‌یابی، واژه‌سازی و استفاده از کلمات توقف راهنمایی می‌کنند و اطمینان می‌دهند که پیچیدگی‌های پیش‌پردازش متن را درک می‌کنید. همانطور که پیشرفت می کنید، به مدل های برداری پیشرفته تر کاوش خواهید کرد. در مورد مدل Bag of Words، Count Vectorizer و TF-IDF، هم در تئوری و هم از طریق نمایش کدگذاری عملی، بیاموزید. شما همچنین دنیای جذاب شباهت برداری و نگاشت کلمه به نمایه را کاوش خواهید کرد و شما را با دانش مدیریت داده های متنی پیچیده مجهز می کند. یک تمرین تعاملی در مورد سیستم های توصیه گر شما را به چالش می کشد تا این مفاهیم را در یک سناریوی عملی به کار ببرید. این دوره با مقدمه ای بر جاسازی کلمات عصبی به اوج خود می رسد و نگاهی اجمالی به آینده NLP ارائه می دهد. شما این تکنیک های قدرتمند را در عمل خواهید دید و درک خواهید کرد که چگونه می توان آنها را به زبان های مختلف فراتر از انگلیسی به کار برد. علاوه بر این، این دوره شامل منابع ارزشمندی در مورد راه‌اندازی محیط پایتون شما و کمک اضافی به کدنویسی پایتون است که آن را برای زبان‌آموزان در سطوح مختلف مهارت مناسب می‌کند. تکنیک های اولیه پیش پردازش متن را درک کرده و به کار ببرید مدل های Bag of Words، Count Vectorizer و TF-IDF را پیاده سازی کنید حذف ریشه، واژه‌سازی و کلید واژه‌ها را انجام دهید شباهت برداری و نگاشت کلمه به نمایه را کاوش کنید از جاسازی کلمات عصبی در برنامه های NLP استفاده کنید ساخت و ارزیابی سیستم‌های توصیه‌کننده متن با استفاده از TF-IDF این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و توسعه‌دهندگان نرم‌افزاری که علاقه‌مند به تقویت مهارت‌های NLP خود هستند طراحی شده است. درک اولیه برنامه نویسی پایتون مورد نیاز است، اما هیچ دانش قبلی از NLP لازم نیست. از تعاریف اولیه NLP گرفته تا مدل‌های برداری پیشرفته و تعبیه‌های عصبی * نمایش برنامه‌نویسی عملی و تمرین‌های تعاملی برای کاربرد در دنیای واقعی * این موضوعات درک قوی از NLP برای مقابله با وظایف پیچیده NLP و تقویت مهارت‌های پردازش داده را ارائه می‌دهند.

سرفصل ها و درس ها

خوش آمدی Welcome

  • مقدمه و طرح کلی Introduction and Outline

  • پیشنهاد ویژه Special Offer

راه اندازی Getting Set Up

  • از کجا می توان کد را دریافت کرد Where To Get the Code

  • چگونه در این دوره موفق شویم How To Succeed in This Course

مدل های برداری و پیش پردازش متن Vector Models and Text Preprocessing

  • تعاریف اساسی برای NLP Basic Definitions for NLP

  • وکتور چیست؟ What is a Vector?

  • کیسه کلمات Bag of Words

  • شمارش بردار (نظریه) Count Vectorizer (Theory)

  • توکن سازی Tokenization

  • کلمات توقف Stopwords

  • ریشه زایی و لماتی سازی Stemming and Lemmatization

  • نسخه ی نمایشی ریشه یابی و واژه سازی Stemming and Lemmatization Demo

  • شمارش بردار (کد) Count Vectorizer (Code)

  • شباهت برداری Vector Similarity

  • TF-IDF (تئوری) TF-IDF (Theory)

  • (تعاملی) پیشنهاد تمرین (Interactive) Recommender Exercise Prompt

  • TF-IDF (کد) TF-IDF (Code)

  • نگاشت کلمه به فهرست Word-to-Index Mapping

  • نحوه ساخت TF-IDF از ابتدا How to Build TF-IDF From Scratch

با نگاه به آینده Looking Ahead

  • تعبیه کلمات عصبی Neural Word Embeddings

  • نسخه ی نمایشی تعبیه کلمه عصبی Neural Word Embeddings Demo

  • نحوه انجام NLP به زبان های دیگر How To Do NLP In Other Languages

  • مدل های برداری و خلاصه پیش پردازش متن Vector Models & Text Preprocessing Summary

تنظیم محیط خود (ضمیمه/سوالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (Appendix/FAQ by Student Request)

  • بررسی قبل از نصب Pre-Installation Check

  • تنظیم محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Scipy، Matplotlib، Pandas و Tensorflow How to install Numpy, Scipy, Matplotlib, Pandas, and Tensorflow

کمک اضافی برای برنامه نویسی پایتون برای مبتدیان (پیوست/سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (Appendix/FAQ by Student Request)

  • چگونه خود را کدگذاری کنید (قسمت 1) How to Code Yourself (part 1)

  • چگونه خود را کدگذاری کنید (قسمت 2) How to Code Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری) How to use Github & Extra Coding Tips (Optional)

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (پیوست/سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (Appendix/FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • دوره های شما را به چه ترتیبی باید بگذرانم؟ (قسمت 1) What order should I take your courses in? (part 1)

  • دوره های شما را به چه ترتیبی باید بگذرانم؟ (قسمت 2) What order should I take your courses in? (part 2)

نمایش نظرات

پردازش زبان طبیعی - جاسازی ها و پیش پردازش متن در پایتون [ویدئو]
جزییات دوره
6h 8m
34
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Lazy Programmer

برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.