آموزش یادگیری عمیق: پردازش پیشرفته زبان طبیعی و RNN

Deep Learning: Advanced Natural Language Processing and RNNs

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پردازش زبان طبیعی (NLP) با توالی به دنباله (seq2seq)، توجه، CNN، RNN و شبکه های حافظه! ساخت یک سیستم طبقه بندی متن (می تواند برای تشخیص هرزنامه، تجزیه و تحلیل احساسات و مشکلات مشابه استفاده شود) ساخت یک سیستم ترجمه ماشین عصبی (همچنین می تواند برای چت بات ها و پاسخگویی به سوالات استفاده شود) ساخت یک مدل دنباله به دنباله (seq2seq) ساخت یک مدل توجه ساخت شبکه حافظه (برای پاسخگویی به سوالات بر اساس داستان) پیش نیازها: درک اینکه یادگیری عمیق برای چیست و چگونه از آن استفاده می شود مهارت های کدنویسی مناسب پایتون، به ویژه ابزارهای علوم داده (Numpy، Matplotlib) ترجیحا برای داشتن تجربه با RNN ها، LSTM ها و GRU ها ترجیحا برای داشتن تجربه با Keras ترجیحا برای درک جاسازی کلمات

باورش سخت است که بیش از یک سال از اولین دوره آموزشی خود در زمینه یادگیری عمیق با NLP (پردازش زبان طبیعی) می گذرد.

از آن زمان تاکنون چیزهای جالب زیادی اتفاق افتاده است، و من عمیقاً در حال یادگیری، تحقیق و جمع آوری بهترین و مفیدترین ایده ها برای بازگرداندن آنها به شما بوده ام.

بنابراین این دوره در مورد چیست و از آن زمان تا کنون چگونه اوضاع تغییر کرده است؟

در دوره های قبلی، با برخی از اجزای اساسی Deep NLP آشنا شدید. ما به RNN ها (شبکه های عصبی مکرر)، CNN (شبکه های عصبی کانولوشنال) و الگوریتم های جاسازی کلمه مانند word2vec و GloVe نگاه کردیم.

این دوره شما را به سطح بالاتری از تفکر سیستمی می برد.

از آنجایی که می دانید این موارد چگونه کار می کنند، زمان آن رسیده است که سیستم هایی را با استفاده از این اجزا بسازید.

در پایان این دوره، می‌توانید برنامه‌هایی برای مشکلاتی مانند:

بسازید
  • طبقه بندی متن (مثلاً تجزیه و تحلیل احساسات و تشخیص هرزنامه)

  • ترجمه ماشین عصبی

  • پاسخ به سوال


ما نگاهی کوتاه به ربات‌های چت خواهیم انداخت و همانطور که در این دوره خواهید آموخت، این مشکل در واقع هیچ تفاوتی با ترجمه ماشینی و پاسخگویی به سؤال ندارد.

برای حل این مشکلات، می‌خواهیم به چند تکنیک پیشرفته Deep NLP نگاه کنیم، مانند:

  • RNNهای دوطرفه

  • seq2seq (توالی به دنباله)

  • توجه

  • شبکه های حافظه


تمام مطالب این دوره به صورت رایگان قابل دانلود و نصب است. ما بیشتر کار خود را در کتابخانه‌های پایتون مانند Keras، Numpy، Tensorflow و Matpotlib انجام خواهیم داد تا کارها را بسیار آسان کنیم و روی مفاهیم سطح بالا تمرکز کنیم. من همیشه در دسترس هستم تا به سؤالات شما پاسخ دهم و در سفر علم داده به شما کمک کنم.

این دوره بر روی "نحوه ساخت و درک" تمرکز دارد، نه فقط "نحوه استفاده". هر کسی می تواند پس از خواندن برخی از اسناد، استفاده از API را در 15 دقیقه یاد بگیرد. این در مورد "به خاطر سپردن حقایق" نیست، بلکه در مورد "خود دیدن" از طریق آزمایش است. این به شما یاد می دهد که چگونه آنچه را که در مدل اتفاق می افتد در داخل تجسم کنید. اگر بیش از یک نگاه سطحی به مدل های یادگیری ماشینی می خواهید، این دوره برای شما مناسب است.

شما را در کلاس می بینیم!


"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"

  • یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".

  • دوره‌های من تنها دوره‌هایی هستند که در آنها نحوه پیاده‌سازی الگوریتم‌های یادگیری ماشین را از ابتدا یاد خواهید گرفت

  • دوره‌های دیگر به شما یاد می‌دهند که چگونه داده‌های خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟

  • پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...


پیش نیازهای پیشنهادی:

  • مهارت های مناسب کدنویسی پایتون

  • RNN، CNN، و جاسازی کلمه را درک کنید

  • با نحوه ساخت، آموزش و ارزیابی یک شبکه عصبی در Keras آشنا شوید


به چه ترتیبی باید در دوره های شما شرکت کنم؟:

  • سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسش‌های متداول هر یک از دوره‌های من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.


ویژگی های منحصر به فرد

  • هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید

  • همانند سایر دوره‌ها، زمان را تلف نمی‌کنید - بیایید صادق باشیم، هیچ‌کس واقعاً نمی‌تواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد

  • از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید


سرفصل ها و درس ها

خوش آمدی Welcome

  • معرفی Introduction

  • طرح کلی Outline

  • کد را از کجا دریافت کنیم Where to get the code

  • چگونه در این دوره موفق شویم How to Succeed in this Course

خوش آمدی Welcome

  • معرفی Introduction

  • طرح کلی Outline

  • کد را از کجا دریافت کنیم Where to get the code

  • چگونه در این دوره موفق شویم How to Succeed in this Course

شبکه های عصبی مکرر، شبکه های عصبی کانولوشنال، و جاسازی کلمات Recurrent Neural Networks, Convolutional Neural Networks, and Word Embeddings

  • بررسی بخش مقدمه Review Section Introduction

  • نحوه باز کردن فایل ها برای کاربران ویندوز How to Open Files for Windows Users

  • تعبیه کلمه چیست؟ What is a word embedding?

  • استفاده از جاسازی کلمات Using word embeddings

  • CNN چیست؟ What is a CNN?

  • از کجا می توان داده ها را دریافت کرد Where to get the data

  • کد CNN (قسمت 1) CNN Code (part 1)

  • کد CNN (قسمت 2) CNN Code (part 2)

  • RNN چیست؟ What is an RNN?

  • GRU و LSTM GRUs and LSTMs

  • انواع مختلف وظایف RNN Different Types of RNN Tasks

  • یک آزمایش RNN ساده A Simple RNN Experiment

  • کد RNN RNN Code

  • خلاصه بخش بررسی Review Section Summary

  • صندوق پیشنهادات Suggestion Box

شبکه های عصبی مکرر، شبکه های عصبی کانولوشنال، و جاسازی کلمات Recurrent Neural Networks, Convolutional Neural Networks, and Word Embeddings

  • بررسی بخش مقدمه Review Section Introduction

  • نحوه باز کردن فایل ها برای کاربران ویندوز How to Open Files for Windows Users

  • تعبیه کلمه چیست؟ What is a word embedding?

  • استفاده از جاسازی کلمات Using word embeddings

  • CNN چیست؟ What is a CNN?

  • از کجا می توان داده ها را دریافت کرد Where to get the data

  • کد CNN (قسمت 1) CNN Code (part 1)

  • کد CNN (قسمت 2) CNN Code (part 2)

  • RNN چیست؟ What is an RNN?

  • GRU و LSTM GRUs and LSTMs

  • انواع مختلف وظایف RNN Different Types of RNN Tasks

  • یک آزمایش RNN ساده A Simple RNN Experiment

  • کد RNN RNN Code

  • خلاصه بخش بررسی Review Section Summary

  • صندوق پیشنهادات Suggestion Box

RNN های دو طرفه Bidirectional RNNs

  • انگیزه RNN های دو طرفه Bidirectional RNNs Motivation

  • آزمایش RNN دو طرفه Bidirectional RNN Experiment

  • کد RNN دو طرفه Bidirectional RNN Code

  • طبقه بندی تصویر با RNN های دو طرفه Image Classification with Bidirectional RNNs

  • کد طبقه بندی تصاویر Image Classification Code

  • خلاصه بخش RNN های دوطرفه Bidirectional RNNs Section Summary

RNN های دو طرفه Bidirectional RNNs

  • انگیزه RNN های دو طرفه Bidirectional RNNs Motivation

  • آزمایش RNN دو طرفه Bidirectional RNN Experiment

  • کد RNN دو طرفه Bidirectional RNN Code

  • طبقه بندی تصویر با RNN های دو طرفه Image Classification with Bidirectional RNNs

  • کد طبقه بندی تصاویر Image Classification Code

  • خلاصه بخش RNN های دوطرفه Bidirectional RNNs Section Summary

مدل های دنباله به دنباله (Seq2Seq) Sequence-to-sequence models (Seq2Seq)

  • نظریه Seq2Seq Seq2Seq Theory

  • برنامه های کاربردی Seq2Seq Seq2Seq Applications

  • رمزگشایی در جزئیات و معلم اجباری Decoding in Detail and Teacher Forcing

  • شعر بازبینی شد Poetry Revisited

  • کد بازبینی شعر 1 Poetry Revisited Code 1

  • شعر بازبینی کد ۲ Poetry Revisited Code 2

  • Seq2Seq در کد 1 Seq2Seq in Code 1

  • Seq2Seq در کد 2 Seq2Seq in Code 2

  • خلاصه بخش Seq2Seq Seq2Seq Section Summary

مدل های دنباله به دنباله (Seq2Seq) Sequence-to-sequence models (Seq2Seq)

  • نظریه Seq2Seq Seq2Seq Theory

  • برنامه های کاربردی Seq2Seq Seq2Seq Applications

  • رمزگشایی در جزئیات و معلم اجباری Decoding in Detail and Teacher Forcing

  • شعر بازبینی شد Poetry Revisited

  • کد بازبینی شعر 1 Poetry Revisited Code 1

  • شعر بازبینی کد ۲ Poetry Revisited Code 2

  • Seq2Seq در کد 1 Seq2Seq in Code 1

  • Seq2Seq در کد 2 Seq2Seq in Code 2

  • خلاصه بخش Seq2Seq Seq2Seq Section Summary

توجه Attention

  • مقدمه بخش توجه Attention Section Introduction

  • تئوری توجه Attention Theory

  • معلم اجباری Teacher Forcing

  • جزئیات پیاده سازی مفید Helpful Implementation Details

  • کد توجه 1 Attention Code 1

  • کد توجه 2 Attention Code 2

  • تجسم توجه Visualizing Attention

  • ساخت چت بات بدون کد دیگر Building a Chatbot without any more Code

  • خلاصه بخش توجه Attention Section Summary

توجه Attention

  • مقدمه بخش توجه Attention Section Introduction

  • تئوری توجه Attention Theory

  • معلم اجباری Teacher Forcing

  • جزئیات پیاده سازی مفید Helpful Implementation Details

  • کد توجه 1 Attention Code 1

  • کد توجه 2 Attention Code 2

  • تجسم توجه Visualizing Attention

  • ساخت چت بات بدون کد دیگر Building a Chatbot without any more Code

  • خلاصه بخش توجه Attention Section Summary

شبکه های حافظه Memory Networks

  • معرفی بخش شبکه های حافظه Memory Networks Section Introduction

  • تئوری شبکه های حافظه Memory Networks Theory

  • کد 1 شبکه های حافظه Memory Networks Code 1

  • شبکه های حافظه کد 2 Memory Networks Code 2

  • شبکه های حافظه کد 3 Memory Networks Code 3

  • خلاصه بخش شبکه های حافظه Memory Networks Section Summary

شبکه های حافظه Memory Networks

  • معرفی بخش شبکه های حافظه Memory Networks Section Introduction

  • تئوری شبکه های حافظه Memory Networks Theory

  • کد 1 شبکه های حافظه Memory Networks Code 1

  • شبکه های حافظه کد 2 Memory Networks Code 2

  • شبکه های حافظه کد 3 Memory Networks Code 3

  • خلاصه بخش شبکه های حافظه Memory Networks Section Summary

مبانی Keras و Tensorflow 2 Keras and Tensorflow 2 Basics

  • (بررسی) بحث کراس (Review) Keras Discussion

  • (بررسی) شبکه عصبی Keras در کد (Review) Keras Neural Network in Code

  • (بررسی) Keras Functional API (Review) Keras Functional API

  • (بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم (Review) How to easily convert Keras into Tensorflow 2.0 code

مبانی Keras و Tensorflow 2 Keras and Tensorflow 2 Basics

  • (بررسی) بحث کراس (Review) Keras Discussion

  • (بررسی) شبکه عصبی Keras در کد (Review) Keras Neural Network in Code

  • (بررسی) Keras Functional API (Review) Keras Functional API

  • (بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم (Review) How to easily convert Keras into Tensorflow 2.0 code

تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

  • راه اندازی محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Theano، Tensorflow و ... How to How to install Numpy, Theano, Tensorflow, etc...

تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

  • راه اندازی محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Theano، Tensorflow و ... How to How to install Numpy, Theano, Tensorflow, etc...

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • چگونه به تنهایی کدنویسی کنیم (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • چگونه به تنهایی کدنویسی کنیم (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

نمایش نظرات

آموزش یادگیری عمیق: پردازش پیشرفته زبان طبیعی و RNN
جزییات دوره
8.5 hours
65
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
28,820
4.6 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 Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.