NLP با Python برای آموزش یادگیری ماشین

مقدمه Introduction

• خوش آمدی Welcome

• آنچه باید بدانید What you should know

• چه ابزاری نیاز دارید؟ What tools do you need?

• با استفاده از پرونده های تمرینی Using the exercise files

1. مبانی NLP 1. NLP Basics

• NLP و NLTK چیست؟ What are NLP and NLTK?

• NLTK و نمای کلی NLTK setup and overview

• خواندن داده های متنی Reading in text data

• کاوش در مجموعه داده Exploring the dataset

• عبارات منظم چیست؟ What are regular expressions?

• یادگیری نحوه استفاده از عبارات منظم Learning how to use regular expressions

• جایگزینی بیان منظم Regular expression replacements

• خط لوله یادگیری ماشین Machine learning pipeline

• اجرای: حذف نگارشی Implementation: Removing punctuation

• اجرای: توکن سازی Implementation: Tokenization

• اجرای: حذف کلمات متوقف Implementation: Removing stop words

2. تمیز کردن اطلاعات تکمیلی 2. Supplemental Data Cleaning

• معرفی اشتعال Introducing stemming

• با استفاده از ساقه Using stemming

• معرفی لمینت Introducing lemmatizing

• با استفاده از lemmatizing Using lemmatizing

3. وکتورسازی داده های خام 3. Vectorizing Raw Data

• معرفی وکتورسازی Introducing vectorizing

• بردار سازی را بشمارید Count vectorization

• وکتور سازی N-گرم N-gram vectorizing

• فرکانس سند معکوس Inverse document frequency weighting

4. مهندسی ویژگی 4. Feature Engineering

• معرفی مهندسی ویژگی Introducing feature engineering

• ایجاد ویژگی Feature creation

• ارزیابی ویژگی Feature evaluation

• شناسایی ویژگی های تحول Identifying features for transformation

• تبدیل قدرت جعبه کاکس Box-Cox power transformation

5- طبقه بندی کننده های یادگیری ماشین سازی 5. Building Machine Learning Classifiers

• یادگیری ماشین چیست؟ What is machine learning?

• معیارهای اعتبار سنجی و ارزیابی متقابل Cross-validation and evaluation metrics

• معرفی جنگل تصادفی Introducing random forest

• ساختن یک مدل جنگلی تصادفی Building a random forest model

• جنگل تصادفی با مجموعه آزمایشات نگهدارنده Random forest with holdout test set

• مدل جنگلی تصادفی با جستجوی شبکه Random forest model with grid search

• عملکرد مدل جنگلی تصادفی را ارزیابی کنید Evaluate random forest model performance

• معرفی تقویت شیب Introducing gradient boosting

• جستجوی شبکه گرادیان Gradient-boosting grid search

• عملکرد مدل شیب تقویت را ارزیابی کنید Evaluate gradient-boosting model performance

• انتخاب مدل: آمادگی داده ها Model selection: Data prep

• انتخاب مدل: نتایج Model selection: Results

نتیجه Conclusion

• مراحل بعدی Next steps