آموزش مقدمه ای بر پردازش زبان طبیعی در پایتون برای هوش مصنوعی

Intro to Natural Language Processing in Python for AI

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: فناوری پشت ابزارهای هوش مصنوعی مانند ChatGPT را بیاموزید: درک، تولید و طبقه‌بندی پردازش زبان طبیعی زبان انسانی برای تکنیک‌های پیش‌پردازش متن با هوش مصنوعی برچسب‌گذاری متن و استخراج موجودیت تجزیه و تحلیل احساسات کشف موضوعات در متن طبقه‌بندی متن بردار کردن متن برای یادگیری ماشین پیشها:برنامه‌نویسی پایه پایتون مهارت ها

آیا به هوش مصنوعی و پردازش زبان طبیعی علاقه دارید؟

آیا می خواهید شغلی را به عنوان دانشمند داده یا مهندس هوش مصنوعی دنبال کنید؟

اگر اینطور است، پس این دوره عالی برای شماست!

در این دوره آموزشی مقدمه ای بر پردازش زبان طبیعی در پایتون، موضوعات ضروری برای کار با داده های متنی را بررسی خواهید کرد. چه بخواهید طبقه‌بندی‌کننده‌های متن سفارشی ایجاد کنید، احساسات را تحلیل کنید یا موضوعات پنهان را بررسی کنید، نحوه عملکرد NLP را خواهید آموخت و ابزارها و مفاهیم لازم برای مقابله با این چالش‌ها را به دست خواهید آورد.

پردازش زبان طبیعی یک زمینه هیجان انگیز و به سرعت در حال تحول است که اساساً بر نحوه تعامل ما با فناوری تأثیر می گذارد. در این دوره، شما یاد خواهید گرفت که قدرت پردازش زبان طبیعی را باز کنید و به دانش و مهارت‌هایی مجهز می‌شوید تا روی پروژه‌های NLP خود کار کنید.

این آموزش به شما امکان دسترسی به فیلم‌های Full HD با کیفیت بالا و تمرین‌های کدنویسی کاربردی را می‌دهد. این قالبی است که درک آسان و یادگیری تعاملی را تسهیل می کند. یکی از بزرگترین مزیت های تمام آموزش های تولید شده توسط 365 Data Science ساختار آنهاست. این دوره هیچ استثنایی ندارد. برنامه درسی به خوبی سازماندهی شده تضمین می کند که تجربه شگفت انگیزی خواهید داشت.

برای شروع به آموزش قبلی برای پردازش زبان طبیعی نیاز نخواهید داشت—فقط مهارت های پایه پایتون و آشنایی با یادگیری ماشین.

این مقدمه برای NLP شما را گام به گام در کل فرآیند تکمیل یک پروژه راهنمایی می کند. ما مدل‌ها و تحلیل‌ها و اصول اولیه را پوشش خواهیم داد، مانند پردازش و تمیز کردن داده‌های متنی و نحوه دریافت داده‌ها در قالب صحیح برای NLP با یادگیری ماشین.

ما از الگوریتم‌هایی مانند تخصیص دیریکله پنهان، مدل‌های ترانسفورماتور، رگرسیون لجستیک، Naive Bayes و Linear SVM، همراه با تکنیک‌هایی مانند برچسب‌گذاری بخشی از گفتار (POS) و شناسایی موجودیت نام‌گذاری شده (NER) استفاده خواهیم کرد.

شما این فرصت را خواهید داشت که مهارت‌های تازه کسب شده خود را از طریق یک مطالعه موردی جامع به کار ببرید، جایی که ما شما را در کل پروژه راهنمایی می‌کنیم که مراحل زیر را پوشش می‌دهد:

  • پاک کردن متن

  • تحلیل عمیق محتوا

  • تحلیل احساسات

  • کشف تم های پنهان

  • در نهایت یک مدل طبقه بندی متن سفارشی ایجاد می شود

با تکمیل دوره، گواهی NLP قابل تأیید دریافت خواهید کرد و یک پروژه عالی به مجموعه خود اضافه می کنید تا توانایی خود را در تجزیه و تحلیل متن مانند یک حرفه ای نشان دهید.

پس منتظر چه چیزی هستید؟

اکنون روی خرید کلیک کنید و سفر هوش مصنوعی خود را از امروز شروع کنید!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Introduction to the course

  • معرفی NLP - مخزن GitHub Intro to NLP - GitHub repo

  • مقدمه ای بر NLP Introduction to NLP

  • NLP در زندگی روزمره NLP in everyday life

  • NLP تحت نظارت در مقابل نظارت نشده Supervised vs Unsupervised NLP

پیش پردازش متن Text Preprocessing

  • اهمیت آماده سازی داده ها The importance of data preparation

  • حروف کوچک Lowercase

  • حذف کلمات توقف Removing stop words

  • عبارات با قاعده Regular expressions

  • توکن سازی Tokenization

  • ساقه Stemming

  • Lemmatization Lemmatization

  • N-گرم N-grams

  • کار عملی Practical task

شناسایی بخش‌های گفتار و موجودات نام‌گذاری شده Identifying Parts of Speech and Named Entities

  • برچسب گذاری متن Text tagging

  • برچسب‌گذاری بخش‌های گفتار (POS). Parts of speech (POS) tagging

  • شناسایی نهاد نامگذاری شده (NER) Named entity recognition (NER)

  • کار عملی Practical task

تحلیل احساسات Sentiment Analysis

  • تحلیل احساسات چیست؟ What is sentiment analysis?

  • تحلیل احساسات مبتنی بر قانون Rule-based sentiment analysis

  • مدل های ترانسفورماتور از قبل آموزش دیده Pre-trained transformer models

  • کار عملی Practical task

بردار کردن متن Vectorizing Text

  • نمایش عددی متن Numerical representation of text

  • مدل کیسه کلمات Bag of Words model

  • TF-IDF TF-IDF

مدل سازی موضوع Topic Modelling

  • مدل سازی موضوع چیست؟ What is topic modelling?

  • چه زمانی از مدل سازی موضوع استفاده کنیم؟ When to use topic modelling?

  • تخصیص دیریکله نهفته Latent Dirichlet Allocation

  • LDA در پایتون LDA in Python

  • تحلیل معنایی پنهان Latent Semantic Analysis

  • LSA در پایتون LSA in Python

ساخت طبقه بندی متن خود را Builing Your Own Text Classifier

  • ساخت یک طبقه بندی متن سفارشی Building a custom text classifier

  • رگرسیون لجستیک Logistic regression

  • بیز ساده لوح Naive Bayes

  • ماشین بردار پشتیبانی خطی Linear Support Vector Machine

مطالعه موردی: دسته بندی اخبار جعلی Case Study: Categorizing Fake News

  • معرفی پروژه Introducing the project

  • کاوش داده های ما از طریق تگ های POS Exploring our data through POS tags

  • استخراج موجودیت های نامگذاری شده Extracting named entities

  • در حال پردازش متن Processing the text

  • آیا احساسات بین انواع اخبار متفاوت است؟ Does sentiment differ between news types?

  • چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت 1) What topics appear in fake news? (Part 1)

  • چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت 2) What topics appear in fake news? (Part 2)

  • دسته بندی اخبار جعلی با طبقه بندی سفارشی Categorizing fake news with a custom classifier

آینده NLP The Future of NLP

  • یادگیری عمیق چیست؟ What is deep learning?

  • یادگیری عمیق برای NLP Deep learning for NLP

  • NLP غیر انگلیسی Non-English NLP

  • آینده NLP چیست؟ What's next for NLP?

نمایش نظرات

آموزش مقدمه ای بر پردازش زبان طبیعی در پایتون برای هوش مصنوعی
جزییات دوره
3 hours
47
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
123
4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی

Lauren Newbould Lauren Newbould

دانشمند داده