آموزش پردازش زبان طبیعی برای تحلیل متن با spaCy - آخرین آپدیت

دانلود Natural Language Processing For Text Analysis With spaCy

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش گام به گام پردازش زبان طبیعی (NLP) در پایتون با استفاده از اسپیسی (spaCy)! روی پروژه‌های عملی NLP کار کنید!

مفاهیم پایه پردازش زبان طبیعی، شامل:

  • بخش‌های گفتار (Part-of-speech)
  • ریشه‌یابی کلمات (Lemmatization)
  • ساقه‌یابی (Stemming)
  • شناسایی موجودیت‌های نام‌گذاری شده (Named Entity Recognition)
  • کلمات توقف (Stop Words)

پیاده‌سازی:

  • خلاصه‌سازی متن (Text Summarisation)
  • جستجوی کلمات کلیدی (Keyword Search)

درک مفاهیم پیشرفته‌تر، مانند:

  • تجزیه وابستگی (Dependency Parsing)
  • قطعه‌بندی (Tokenization)
  • شباهت کلمه و جمله (Word and Sentence Similarity)

پیش‌نیازها:

  • مفاهیم پایه علم داده در پایتون
  • سینتکس پایه پایتون

پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی (AI) است که کامپیوترها را قادر می‌سازد تا زبان گفتاری و نوشتاری انسان را درک کنند. NLP کاربردهای متعددی دارد، از جمله تبدیل متن به گفتار و گفتار به متن، چت‌بات‌ها، سیستم‌های خودکار پرسش و پاسخ (Q&A)، ایجاد خودکار توضیحات تصویر و زیرنویس ویدئو. با معرفی ChatGPT، NLP هرچه بیشتر محبوب خواهد شد و به طور بالقوه منجر به افزایش فرصت‌های شغلی در این شاخه از AI می‌شود. فریم‌ورک SpaCy به دلیل (الف) توانایی آن در پردازش مجموعه‌های داده متنی بزرگ، (ب) استخراج اطلاعات، (پ) پیش‌پردازش متن برای استفاده بعدی در مدل‌های هوش مصنوعی، و (ت) توسعه برنامه‌های NLP در سطح تولید، اسب کاری اکوسیستم NLP پایتون محسوب می‌شود.

اگر در زمینه NLP تازه‌کار هستید، در جدیدترین دوره من ثبت‌نام کنید تا همه چیز را در مورد پردازش زبان طبیعی (NLP) بیاموزید و مدل‌های NLP را با استفاده از SpaCy توسعه دهید!

این دوره به سه بخش اصلی تقسیم شده است:

  1. بخش ۱-۲: این دوره شما را با مفاهیم اصلی پایتون که برای ساخت مدل‌های NLP نیاز دارید، آشنا می‌کند، از جمله شروع کار با Google Colab (یک پیاده‌سازی آنلاین Jupyter که شما را از دردسر نصب بسته‌ها روی کامپیوترهایتان نجات می‌دهد). سپس دوره مفاهیم اساسی زیربنای NLP و فریم‌ورک SpaCy را معرفی می‌کند. در پایان این بخش، با نظریه NLP و معماری SpaCy آشنایی پیدا خواهید کرد.

  2. بخش ۳-۵: این بخش‌ها بر اساسی‌ترین مفاهیم پردازش زبان طبیعی، مانند: بخش‌های گفتار، ریشه‌یابی کلمات، ساقه‌یابی، شناسایی موجودیت‌های نام‌گذاری شده، کلمات توقف، تجزیه وابستگی، شباهت کلمه و جمله و قطعه‌بندی و پیاده‌سازی‌های آن‌ها در SpaCy تمرکز خواهند کرد.

  3. بخش ۶: شما روی برخی پروژه‌های عملی کار خواهید کرد تا از SpaCy برای کاربردهای دنیای واقعی استفاده کنید.

یک بخش اضافی برخی از اصول اولیه علم داده پایتون را برای کمک به شما پوشش می‌دهد.

چرا باید در دوره من شرکت کنید؟

دوره من یک آموزش عملی با کاوش واقعی داده‌های شبکه‌های اجتماعی با پایتون است – شما یاد خواهید گرفت که تحلیل متن و پردازش زبان طبیعی (NLP) را برای کسب بینش از داده‌های متنی بدون ساختار، از جمله توییت‌ها، انجام دهید.

دوره من مبنایی برای انجام کاوش عملی و واقعی داده‌های شبکه‌های اجتماعی فراهم می‌کند. با گذراندن این دوره، گامی مهم در مسیر علم داده خود برمی‌دارید تا در مهار قدرت متن برای استخراج بینش‌ها و شناسایی روندها متخصص شوید.

من دارای مدرک MPhil (جغرافیا و محیط زیست) از دانشگاه آکسفورد، انگلستان هستم. همچنین مدرک دکترای فشرده علم داده را در دانشگاه کمبریج (اکولوژی گرمسیری و حفاظت) به پایان رسانده‌ام. من چندین سال تجربه در تجزیه و تحلیل داده‌های واقعی از منابع مختلف، از جمله منابع متنی، تولید مقالات برای مجلات معتبر بین‌المللی و انجام کارهای مشاوره علم داده دارم. علاوه بر همه موارد فوق، پشتیبانی مداوم من را خواهید داشت تا اطمینان حاصل کنید که بیشترین ارزش را از سرمایه‌گذاری خود به دست می‌آورید!

اکنون ثبت‌نام کنید :)


سرفصل ها و درس ها

آشنایی با دوره Introduction To The Course

  • به دوره خوش آمدید Welcome To The Course

  • چرا باید پردازش زبان طبیعی (NLP) را یاد بگیرید؟ Why Do You Need To Learn Natural Language Processing (NLP)?

  • داده و کد Data and Code

  • نصب پایتون Python Installation

  • شروع با محیط گوگل کولب Start With Google Colaboratory Environment

  • گوگل کولب و GPU Google Colabs and GPU

  • نصب پکیج‌ها در گوگل کولب Installing Packages In Google Colab

شروع کار با پردازش زبان طبیعی (NLP) با SpaCy Get Started with Natural Language Processing (NLP) With SpaCy

  • SpaCy چیست؟ What Is spaCy?

  • شیء Doc چیست؟ What Is a Doc Object

  • استخراج اطلاعات از داده‌های متنی بدون ساختار Extracting Information From Unstructured Text Data

  • تقسیم و پاکسازی متن Splitting and Cleaning Text

  • مدل‌های زبان SpaCy SpaCy Language Models

  • کلمات توقف Stop Words

  • ریشه‌یابی کلمات Lemmitization

  • ترکیب همه در پایپ‌لاین‌ها Putting it all together in pipelines

  • افزودن کامپوننت‌ها به پایپ‌لاین‌ها Adding Components to Pipelines

تطابق مبتنی بر قوانین برای استخراج اطلاعات Rules-Based Matching For Information Extraction

  • تطابق‌گر توکن Token Matcher

  • تطابق‌گر عبارت Phrase Matcher

  • شناسایی موجودیت‌ها با Entity Ruler Detect Entities With Entity Ruler

  • بیایید شماره تلفن‌ها را پیدا کنیم Lets Locate the Phone Numbers

  • تطابق‌گرهای Regex Regex Matchers

  • تطابق شباهت Similarity Matching

بردارهای کلمه برای اطلاعات زبانی Word Vectors for Linguistic Information

  • شباهت معنایی چیست؟ What Is Semantic Similarity

  • کار با بردارهای کلمه در SpaCy Work with word vectors in spaCy

  • شباهت معنایی با موجودیت‌ها Semantic Similarity With Entities

  • مقایسه شباهت با یک کلمه کلیدی Similarity Comparison With a Keyword

  • استفاده از بردارهای کلمه شخص ثالث Using Third-Party Word Vectors

ارتباطات متنی Textual Interlinkages

  • مفهوم ارتباطات متنی Concept behind textual interlinkages

  • مصورسازی وابستگی بین موجودیت‌ها Visualise the dependency between entities

  • جستجوی وابستگی‌های خاص Looking for specific dependencies

مطالعات موردی عملی Practical Case Studies

  • کاوش اطلاعات مالی با استفاده از برچسب‌گذاری POS Mining Financial Information Using POS Tagging

  • مصورسازی موجودیت‌ها Visualise the Entities

  • استخراج نام سازمان‌ها Extract Organisation Names

چند مفهوم علم داده پایتون که باید در نظر داشت Some Python Data Science Concepts to Bear In Mind

  • Pandas چیست؟ What Is Pandas?

  • پاکسازی پایه داده با Pandas Basic Data Cleaning With Pandas

  • اصول مصورسازی داده Principles of Data Visualisation

  • تحلیل مولفه‌های اصلی (PCA): تئوری Principal Component Analysis (PCA):Theory

  • Numpy چیست؟ What Is Numpy?

  • محاسبات توزیع‌شده Distributed Computing

نمایش نظرات

آموزش پردازش زبان طبیعی برای تحلیل متن با spaCy
جزییات دوره
3 hours
39
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
382
4.6 از 5
ندارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم