پردازش زبان طبیعی - مدل های یادگیری ماشین در پایتون [ویدئو]

Natural Language Processing - Machine Learning Models in Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: با دوره آموزشی ماهرانه ما سفری را در دنیای تجزیه و تحلیل متن آغاز کنید. با شروع یک مقدمه و طرح کلی، مفاهیم اساسی را کشف خواهید کرد و یک پیشنهاد ویژه برای شروع دریافت خواهید کرد. بخش‌های اولیه شما را در فرآیند راه‌اندازی راهنمایی می‌کنند و اطمینان می‌دهند که تمام منابع و نکات مورد نیاز برای موفقیت را در اختیار دارید. با بخش‌های اختصاصی در تشخیص هرزنامه، تجزیه و تحلیل احساسات، خلاصه‌سازی متن، مدل‌سازی موضوع و تحلیل معنایی پنهان، به هسته تجزیه و تحلیل متن بپردازید. هر بخش با یک توضیح مسئله آغاز می شود و به دنبال آن توضیحات شهودی الگوریتم هایی مانند Naive Bayes، رگرسیون لجستیک و تخصیص دیریکله نهفته ارائه می شود. شما با تمرین های عملی طراحی شده برای تقویت درک خود درگیر خواهید شد و این تکنیک ها را با استفاده از پایتون به صورت عملی به کار خواهید برد. این دوره با موضوعات پیشرفته و خلاصه های جامع به اوج خود می رسد و اطمینان می دهد که شما هم جنبه های نظری و هم جنبه های عملی تجزیه و تحلیل متن را درک می کنید. در پایان، شما درک قوی از تکنیک های مختلف NLP و اعتماد به نفس برای به کارگیری آنها در سناریوهای دنیای واقعی خواهید داشت. این دوره یک منبع ضروری برای متخصصان فنی است که به دنبال برتری در زمینه به سرعت در حال تحول پردازش زبان طبیعی هستند. مدل های تشخیص هرزنامه را با استفاده از Naive Bayes در پایتون توسعه دهید. از رگرسیون لجستیک برای تحلیل احساسات داده های متنی استفاده کنید. پیاده سازی تکنیک های خلاصه سازی متن، از جمله TextRank و روش های مبتنی بر برداری. مدل سازی موضوع را با LDA و NMF در پایتون انجام دهید. تجزیه و تحلیل معنایی نهفته را با استفاده از SVD درک و اعمال کنید. ارزیابی و بهبود عملکرد مدل با استفاده از معیارهایی مانند امتیازات ROC، AUC، و F1. این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و توسعه دهندگان نرم افزار با درک پایه ای از پایتون و مفاهیم یادگیری ماشین ایده آل است. آشنایی با آمار و جبر خطی مفید خواهد بود اما اجباری نیست. تشخیص هرزنامه، تجزیه و تحلیل احساسات، خلاصه سازی متن، مدل سازی موضوع، و تحلیل معنایی پنهان. * جلسات برنامه نویسی عملی در پایتون برای اعمال دانش نظری. * کاوش عمیق معیارهای ارزیابی مدل و الگوریتم های پیشرفته.

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

تشخیص هرزنامه Spam Detection

  • تشخیص هرزنامه - شرح مشکل Spam Detection - Problem Description

  • شهود ساده بیز Naive Bayes Intuition

  • تشخیص هرزنامه - اعلان تمرین Spam Detection - Exercise Prompt

  • به غیر از: عدم تعادل کلاس، امتیاز ROC، AUC و F1 (امتیاز 1) Aside: Class Imbalance, ROC, AUC, and F1 Score (pt 1)

  • به غیر از: عدم تعادل کلاس، امتیاز ROC، AUC و F1 (نمره 2) Aside: Class Imbalance, ROC, AUC, and F1 Score (pt 2)

  • تشخیص هرزنامه در پایتون Spam Detection in Python

تحلیل احساسات Sentiment Analysis

  • تجزیه و تحلیل احساسات - شرح مسئله Sentiment Analysis - Problem Description

  • شهود رگرسیون لجستیک (نقطه 1) Logistic Regression Intuition (pt 1)

  • رگرسیون لجستیک چند طبقه (نقطه 2) Multiclass Logistic Regression (pt 2)

  • آموزش رگرسیون لجستیک و تفسیر Logistic Regression Training and Interpretation

  • تجزیه و تحلیل احساسات - اعلان تمرین Sentiment Analysis - Exercise Prompt

  • تجزیه و تحلیل احساسات در پایتون (نقطه 1) Sentiment Analysis in Python (pt 1)

  • تجزیه و تحلیل احساسات در پایتون (نقطه 2) Sentiment Analysis in Python (pt 2)

خلاصه سازی متن Text Summarization

  • مقدمه بخش خلاصه سازی متن Text Summarization Section Introduction

  • خلاصه سازی متن با استفاده از بردارها Text Summarization Using Vectors

  • دستور تمرین خلاصه سازی متن Text Summarization Exercise Prompt

  • خلاصه سازی متن در پایتون Text Summarization in Python

  • TextRank Intuition TextRank Intuition

  • TextRank - واقعاً چگونه کار می کند (پیشرفته) TextRank - How It Really Works (Advanced)

  • اعلان تمرین TextRank (پیشرفته) TextRank Exercise Prompt (Advanced)

  • رتبه متن در پایتون (پیشرفته) TextRank in Python (Advanced)

  • خلاصه سازی متن در پایتون - راه آسان (مبتدی) Text Summarization in Python - The Easy Way (Beginner)

  • خلاصه بخش خلاصه سازی متن Text Summarization Section Summary

مدل سازی موضوع Topic Modeling

  • مقدمه بخش مدل سازی موضوع Topic Modeling Section Introduction

  • تخصیص دیریکله نهفته (LDA) - ملزومات Latent Dirichlet Allocation (LDA) - Essentials

  • LDA - تهیه کد LDA - Code Preparation

  • LDA - تصویر شاید مفید (اختیاری) LDA - Maybe Useful Picture (Optional)

  • تخصیص دیریکله پنهان (LDA) - شهود (پیشرفته) Latent Dirichlet Allocation (LDA) - Intuition (Advanced)

  • مدل سازی موضوع با تخصیص دیریکله پنهان (LDA) در پایتون Topic Modeling with Latent Dirichlet Allocation (LDA) in Python

  • شهود فاکتورسازی ماتریس غیر منفی (NMF). Non-Negative Matrix Factorization (NMF) Intuition

  • مدلسازی موضوع با فاکتورسازی ماتریس غیر منفی (NMF) در پایتون Topic Modeling with Non-Negative Matrix Factorization (NMF) in Python

  • خلاصه بخش مدلسازی موضوع Topic Modeling Section Summary

تحلیل معنایی پنهان (نمایه سازی معنایی پنهان) Latent Semantic Analysis (Latent Semantic Indexing)

  • معرفی بخش LSA/LSI LSA / LSI Section Introduction

  • SVD (تجزیه ارزش واحد) شهود SVD (Singular Value Decomposition) Intuition

  • LSA/LSI: استفاده از SVD در NLP LSA / LSI: Applying SVD to NLP

  • تجزیه و تحلیل معنایی پنهان/نمایه سازی معنایی پنهان در پایتون Latent Semantic Analysis / Latent Semantic Indexing in Python

  • تمرینات LSA/LSI LSA / LSI Exercises

نمایش نظرات

پردازش زبان طبیعی - مدل های یادگیری ماشین در پایتون [ویدئو]
جزییات دوره
5h 11m
41
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.