آموزش علم داده: پردازش زبان طبیعی (NLP) در پایتون - آخرین آپدیت

سرفصل ها و درس ها

پردازش زبان طبیعی: کاربردهای آن چیست؟ Natural Language Processing - What is it used for?

• مقدمه و سرفصل‌ها Introduction and Outline

• چرا NLP را یاد بگیریم؟ Why Learn NLP?

• پیام اصلی این دوره (دیدگاه کلی) The Central Message of this Course (Big Picture Perspective)

آمادگی برای دوره Course Preparation

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

• کد و داده‌ها را از کجا دریافت کنیم؟ Where to get the code and data

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

مرور مبانی یادگیری ماشین Machine Learning Basics Review

• یادگیری ماشین: مقدمه بخش Machine Learning: Section Introduction

• طبقه‌بندی چیست؟ What is Classification?

• طبقه‌بندی در کدنویسی Classification in Code

• رگرسیون چیست؟ What is Regression?

• رگرسیون در کدنویسی Regression in Code

• بردار ویژگی چیست؟ What is a Feature Vector?

• یادگیری ماشین چیزی جز هندسه نیست Machine Learning is Nothing but Geometry

• تمام داده‌ها یکسان هستند All Data is the Same

• مقایسه مدل‌های مختلف یادگیری ماشین Comparing Different Machine Learning Models

• یادگیری ماشین و یادگیری عمیق: مباحث آینده Machine Learning and Deep Learning: Future Topics

• خلاصه بخش Section Summary

مدل‌های مارکوف Markov Models

• مدل‌های مارکوف: مقدمه بخش Markov Models Section Introduction

• خاصیت مارکوف The Markov Property

• مدل مارکوف The Markov Model

• هموارسازی احتمالات و لگاریتم احتمال Probability Smoothing and Log-Probabilities

• ساخت طبقه‌بند متنی (تئوری) Building a Text Classifier (Theory)

• ساخت طبقه‌بند متنی (تمرین) Building a Text Classifier (Exercise Prompt)

• ساخت طبقه‌بند متنی (کد - بخش ۱) Building a Text Classifier (Code pt 1)

• ساخت طبقه‌بند متنی (کد - بخش ۲) Building a Text Classifier (Code pt 2)

• مدل زبان (تئوری) Language Model (Theory)

• مدل زبان (تمرین) Language Model (Exercise Prompt)

• مدل زبان (کد - بخش ۱) Language Model (Code pt 1)

• مدل زبان (کد - بخش ۲) Language Model (Code pt 2)

• مدل‌های مارکوف: خلاصه بخش Markov Models Section Summary

رمزگشایی رمزها Decrypting Ciphers

• مقدمه بخش Section Introduction

• رمزها Ciphers

• مدل‌های زبان Language Models

• الگوریتم‌های ژنتیک Genetic Algorithms

• آماده‌سازی کد Code Preparation

• کد - بخش ۱ Code pt 1

• کد - بخش ۲ Code pt 2

• کد - بخش ۳ Code pt 3

• کد - بخش ۴ Code pt 4

• کد - بخش ۵ Code pt 5

• کد - بخش ۶ Code pt 6

• کاربرد واقعی: کی‌لاگر صوتی Real-World Application: Acoustic Keylogger

• نتیجه‌گیری بخش Section Conclusion

ساخت آشکارساز هرزنامه خودتان Build your own spam detector

• ساخت آشکارساز هرزنامه خودتان - توصیف داده‌ها Build your own spam detector - description of data

• ساخت آشکارساز هرزنامه با بیز ساده و AdaBoost - کدنویسی Build your own spam detector using Naive Bayes and AdaBoost - the code

• نکات کلیدی از تمرین تشخیص هرزنامه Key Takeaway from Spam Detection Exercise

• مفاهیم بیز ساده Naive Bayes Concepts

• مفاهیم AdaBoost AdaBoost Concepts

• انواع دیگر ویژگی‌ها Other types of features

• پرسش و پاسخ تشخیص هرزنامه (رفع اشکال ۱) Spam Detection FAQ (Remedial #1)

• بردار چیست؟ (رفع اشکال ۲) What is a Vector? (Remedial #2)

• مثال هرزنامه پیامکی SMS Spam Example

• هرزنامه پیامکی در کدنویسی SMS Spam in Code

• جعبه پیشنهادات Suggestion Box

ساخت تحلیلگر احساسات خودتان Build your own sentiment analyzer

• توصیف تحلیلگر احساسات Description of Sentiment Analyzer

• مرور رگرسیون لجستیک Logistic Regression Review

• پیش‌پردازش: توکن‌سازی Preprocessing: Tokenization

• پیش‌پردازش: تبدیل توکن‌ها به بردارها Preprocessing: Tokens to Vectors

• تحلیل احساسات در پایتون با استفاده از رگرسیون لجستیک Sentiment Analysis in Python using Logistic Regression

• توسعه تحلیل احساسات Sentiment Analysis Extension

• چگونه تحلیل احساسات را بهبود ببخشیم و پرسش و پاسخ How to Improve Sentiment Analysis & FAQ

کاوش NLTK NLTK Exploration

• کاوش NLTK: برچسب‌گذاری نقش کلمات NLTK Exploration: POS Tagging

• کاوش NLTK: ریشه‌یابی و لماتیزاسیون NLTK Exploration: Stemming and Lemmatization

• کاوش NLTK: تشخیص موجودیت نامگذاری شده NLTK Exploration: Named Entity Recognition

• NLTK بیشتر می‌خواهید؟ Want more NLTK?

تحلیل معنایی پنهان Latent Semantic Analysis

• تحلیل معنایی پنهان - چه کاری انجام می‌دهد؟ Latent Semantic Analysis - What does it do?

• SVD - ریاضیات نهفته در LSA SVD - The underlying math behind LSA

• تحلیل معنایی پنهان در پایتون Latent Semantic Analysis in Python

• تحلیل معنایی پنهان برای چه استفاده می‌شود؟ What is Latent Semantic Analysis Used For?

• توسعه LSA Extending LSA

نوشتن بازنویس مقاله خودتان Write your own article spinner

• مقدمه بازنویسی مقاله و مدل‌های مارکوف Article Spinning Introduction and Markov Models

• مدل تری‌گرام Trigram Model

• بیشتر درباره مدل‌های زبان More about Language Models

• تمرینات پیش از کدنویسی Precode Exercises

• نوشتن بازنویس مقاله در پایتون Writing an article spinner in Python

• تمرینات توسعه بازنویس مقاله Article Spinner Extension Exercises

چگونه درباره NLP بیشتر یاد بگیریم؟ How to learn more about NLP

• آنچه درباره‌اش صحبت نکردیم What we didn't talk about

ضمیمه / مقدمه پرسش‌های متداول Appendix / FAQ Intro

• ضمیمه چیست؟ What is the Appendix?

تنظیم محیط شما (پرسش‌های متداول به درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

• بررسی پیش از نصب Pre-Installation Check

• تنظیم محیط آناکوندا Anaconda Environment Setup

• نحوه نصب Numpy, Scipy, Matplotlib, Pandas, IPython, Theano و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

کمک اضافی با کدنویسی پایتون برای مبتدیان (پرسش‌های متداول به درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

• چگونه خودتان کدنویسی کنید (بخش ۱) How to Code by Yourself (part 1)

• چگونه خودتان کدنویسی کنید (بخش ۲) How to Code by Yourself (part 2)

• اثبات اینکه استفاده از Jupyter Notebook تفاوتی با عدم استفاده از آن ندارد Proof that using Jupyter Notebook is the same as not using it

• پایتون ۲ در برابر پایتون ۳ Python 2 vs Python 3

راهبردهای یادگیری موثر برای یادگیری ماشین (پرسش‌های متداول به 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)

• آیا این برای مبتدیان است یا متخصصان؟ آکادمیک یا عملی؟ سریع یا با سرعت آهسته؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (بخش ۱) Machine Learning and AI Prerequisite Roadmap (pt 1)

• نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی (بخش ۲) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه / پایان پرسش‌های متداول Appendix / FAQ Finale

• بونوس BONUS