آموزش خلاصه سازی متن با هوش مصنوعی با صورت در آغوش گرفته

AI Text Summarization with Hugging Face

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

جامعه هوش مصنوعی Hugging Face آرزوی پیشرفت و دموکراتیزه کردن هوش مصنوعی را از طریق منبع باز و علم باز دارد. در این دوره، Janani Ravi شما را با استفاده از این ابزار قدرتمند هوش مصنوعی برای خلاصه کردن متن راهنمایی می کند. نحوه کار خلاصه سازی متن استخراجی و همچنین نمایش های میانی آن را بیاموزید. معیارهای ارزیابی را کاوش کنید و نحوه پیمایش و دسترسی به اطلاعات در پلتفرم Hugging Face را بیابید. وارد شدن به Hugging Face، استفاده از کتابخانه sumy برای خلاصه‌سازی استخراجی و استفاده از خلاصه‌سازی متن انتزاعی با Hosted Inference API بروید. با مدل‌های ترتیب به ترتیب، ترانسفورماتورها و نحوه استفاده از آن‌ها در Hugging Face آشنا شوید. به‌علاوه، برای انجام خلاصه‌سازی واقعی، تنظیم دقیق مدل ترانسفورماتور و کاوش در چندین ترانسفورماتور Hugging Face، از خط لوله Hugging Face استفاده کنید.

این دوره توسط جانانی راوی ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.


سرفصل ها و درس ها

معرفی Introduction

  • خلاصه سازی متن با هوش مصنوعی با صورت در آغوش گرفته AI Text Summarization with Hugging Face

1. درک خلاصه سازی متن استخراجی 1. Understanding Extractive Text Summarization

  • پیش نیازها Prerequisites

  • خلاصه سازی متن استخراجی Extractive text summarization

  • نمایش های میانی برای خلاصه سازی استخراجی Intermediate representations for extractive summarization

  • معیارهای ارزیابی برای خلاصه ها Evaluation metrics for summaries

2. انجام خلاصه سازی متن استخراجی با استفاده از صورت در آغوش گرفتن 2. Performing Extractive Text Summarization Using Hugging Face

  • کاوش در آغوش گرفتن صورت Exploring Hugging Face

  • ثبت نام برای Hugging Face Signing up for Hugging Face

  • کتابخانه خلاصه برای خلاصه سازی استخراجی The sumy library for extractive summarization

  • خلاصه متن استخراجی در صورت در آغوش کشیدن Extractive text summarization on Hugging Face

3. درک خلاصه سازی متن انتزاعی 3. Understanding Abstractive Text Summarization

  • خلاصه متن انتزاعی Abstractive text summarization

  • خلاصه سازی انتزاعی با استفاده از Hosted Inference API on Hugging Face Abstractive summarization using the Hosted Inference API on Hugging Face

4. درک ترانسفورماتور 4. Understanding Transformers

  • مدل های دنباله به دنباله Sequence-to-sequence models

  • توجه در مدل های دنباله به دنباله Attention in sequence-to-sequence models

  • معرفی کوتاه ترانسفورماتورها A brief introduction to Transformers

  • ترانسفورماتور در صورت در آغوش گرفتن Transformers in Hugging Face

5. انجام خلاصه سازی با استفاده از خط لوله صورت در آغوش گرفته 5. Performing Summarization Using a Hugging Face Pipeline

  • استفاده از Colab برای کار با Hugging Face Transformers Using Colab to work with Hugging Face Transformers

  • در حال بارگیری مجموعه داده های CNN Daily Mail Loading the CNN Daily Mail dataset

  • پاک کردن داده های متنی Cleaning text data

  • ایجاد خلاصه با ترانسفورماتورهای صورت در آغوش Generating summaries with Hugging Face Transformers

  • ارزیابی خلاصه ها با استفاده از نمرات ROUGE Evaluating summaries using ROUGE scores

  • خلاصه کردن متن و محاسبه امتیازات ROUGE Summarizing text and computing aggregate ROUGE scores

6. تنظیم دقیق یک مدل ترانسفورماتور برای خلاصه سازی 6. Fine-Tuning a Transformer Model for Summarization

  • درک توکن سازها Understanding tokenizers

  • تنظیم دقیق مدل کوچک T5 Fine-tuning the T5 small model

  • هل دادن مدل به Hugging Face Hub Pushing the model to the Hugging Face Hub

  • خلاصه کردن متن با استفاده از مدل دقیق تنظیم شده Summarizing text using the fine-tuned model

7. کاوش در ترانسفورماتورهای مختلف صورت در آغوش برای خلاصه کردن 7. Exploring Different Hugging Face Transformers for Summarization

  • دسترسی به مجموعه داده BBC در Google Drive Accessing the BBC dataset on Google Drive

  • نمونه سازی و تمیز کردن مجموعه داده خلاصه اخبار BBC Instantiating and cleaning the BBC News summaries dataset

  • ایجاد خلاصه با استفاده از Pegasus Generating summaries using Pegasus

  • ایجاد خلاصه های متعدد و محاسبه امتیازات ROUGE Generating multiple summaries and computing aggregate ROUGE scores

  • ایجاد خلاصه با استفاده از BART Generating summaries using BART

  • محاسبه معیارهای ROUGE برای مجموعه‌ای از خلاصه‌ها Computing ROUGE metrics for a set of summaries

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش خلاصه سازی متن با هوش مصنوعی با صورت در آغوش گرفته
جزییات دوره
2h 5m
32
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.