آموزش ساخت خطوط لوله NLP با SpaCy

Building NLP Pipelines with spaCy

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

آیا به دنبال کسب اطلاعات بیشتر در مورد ویژگی ها و عملکردهای کلیدی ساخته شده در spaCy هستید؟ جلوترش رو نگاه نکن. زمان آن رسیده است که با استفاده از کتابخانه گسترده spaCy برای حل وظایف پیچیده پردازش زبان طبیعی، سرعت خود را افزایش دهید. به مربی پراتیک ساونی در این دوره توسعه مهارت های پیشرفته بپیوندید، زیرا او رویکردها و تکنیک های حیاتی کسب و کار را برای حل مشکلات در هوش مصنوعی مبتنی بر قانون و یادگیری ماشین نشان می دهد.

اصول اولیه نحوه استفاده از کتابخانه پیچیده و پیشرفته spaCy را برای رسیدگی به مشکلات فنی دنیای واقعی بیاموزید. از پردازش متن گرفته تا تجزیه و تحلیل داده ها، پردازش خطوط لوله و آموزش شبکه عصبی مصنوعی، Prateek به شما کمک می کند تا با کارهای حل مسئله مبتنی بر نتایج به سرعت راه اندازی کنید. در طول مسیر، می‌توانید مهارت‌های جدید خود را در چالش‌های تمرینی در پایان هر بخش آزمایش کنید.


سرفصل ها و درس ها

معرفی Introduction

  • چرا از spaCy استفاده کنیم؟ Why use spaCy?

  • پیش نیازهای دوره Prerequisites of the course

  • نحوه نصب spaCy How to install spaCy

  • امتحان فصل Chapter Quiz

1. پردازش متن با spaCy 1. Text Processing with spaCy

  • معرفی SpaCy Introduction to spaCy

  • مدل های آماری spaCy spaCy's statistical models

  • ظروف spaCy spaCy's containers

  • مقدمه ای بر تطبیق بر اساس قوانین Introduction to matching based on rules

  • چالش: پیش بینی حاشیه نویسی های زبانی Challenge: Predicting linguistic annotations

  • راه حل: پیش بینی حاشیه نویسی های زبانی Solution: Predicting linguistic annotations

  • امتحان فصل Chapter Quiz

2. تجزیه و تحلیل داده ها با استفاده از spaCy 2. Data Analysis Using spaCy

  • ساختارهای داده spaCy spaCy's data structures

  • شباهت و بردار کلمه Similarity and word vectors

  • ادغام مدل ها و قوانین spaCy Integrating spaCy's models and rules

  • چالش: تطبیق عبارت Challenge: Phrase matching

  • راه حل: تطبیق عبارت Solution: Phrase matching

  • امتحان فصل Chapter Quiz

3. پردازش خطوط لوله با spaCy 3. Processing Pipelines with spaCy

  • پردازش خطوط لوله Processing pipelines

  • اجزای سفارشی خط لوله Pipeline's custom components

  • ویژگی های پسوند: قسمت 1 Extension attributes: Part 1

  • ویژگی های پسوند: قسمت 2 Extension attributes: Part 2

  • عملکرد و مقیاس بندی Performance and scaling

  • چالش: پردازش جریان ها و پردازش انتخابی Challenge: Processing streams and selective processing

  • راه حل: جریان های پردازش و پردازش انتخابی Solution: Processing streams and selective processing

  • امتحان فصل Chapter Quiz

4. آموزش شبکه عصبی مصنوعی 4. Training an Artificial Neural Network

  • آموزش و به روز رسانی مدل ها Training and updating models

  • حلقه آموزشی Training loop

  • چالش: ایجاد یک حلقه آموزشی Challenge: Building a training loop

  • راه حل: ایجاد یک حلقه آموزشی Solution: Building a training loop

  • بهترین شیوه های حلقه آموزشی Training loop best practices

  • چالش: آموزش چندین برچسب Challenge: Training multiple labels

  • راه حل: آموزش چندین برچسب Solution: Training multiple labels

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • بسته شدن Wrap-up

نمایش نظرات

آموزش ساخت خطوط لوله NLP با SpaCy
جزییات دوره
1h
34
Linkedin (لینکدین) Linkedin (لینکدین)
(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

Prateek Sawhney Prateek Sawhney

مهندس هوش مصنوعی در CM1 GmbH، کارشناس پردیس GitHub

Prateek Sawhney یک مهندس هوش مصنوعی در CM1 GmbH و یک متخصص پردیس GitHub است.

Prateek دارای پیشینه تحصیلی غنی در هوش مصنوعی و علاقه‌مند به یادگیری ماشینی و ماشین‌های خودران است. تجربه و مهارت Prateek در یادگیری ماشینی و یادگیری عمیق به او به عنوان یک متخصص در این زمینه کمک کرده است. او فارغ التحصیل برنامه حرفه ای هوش مصنوعی در یادگیری ماشین در دانشگاه استنفورد، دارای لیسانس فناوری در فناوری اطلاعات از موسسه فناوری مهاراجا آگراسن در دهلی نو، هند است. در طول سال‌ها، او در نقش‌های مختلف در لنوو، گوگل، تنسورفلو و جاهای دیگر کار، کارآموزی یا راهنمایی کرده است.