آموزش ایجاد سیستم های شناسایی نهادهای نام دار با پایتون

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

شروع شدن Getting Started

• معرفی Intro

• انگیزه و مثال Motivation and Example

• پیش نیازها Prerequisites

• استفاده از کتابخانه های منبع باز Using Open-source Libraries

• رویکردهای الگوریتمی برای توسعه NER ها Algorithmic Approaches for Developing NERs

• رویکردهای مبتنی بر یادگیری ماشین برای توسعه NER Machine-learning Based Approaches for Developing NERs

• زمینه های تصادفی مشروط Conditional Random Fields

پیش پردازش داده ها برای آموزش NER Preprocessing Data for NER Training

• مقدمه پیش پردازش Preprocessing Introduction

• تحلیل داده ها Data Analysis

• آماده سازی Dataset Dataset Preparation

ساخت طبقه بندی کننده های خطی برای سیستم های NER Building Linear Classifiers for NER Systems

• معماری Architecture

• طبقه بندی کننده ها Classifiers

• عملکرد طبقه بندی Classifier Performance

ساخت زمینه های تصادفی مشروط (CRF) Building Conditional Random Fields (CRFs)

• پیش پردازش داده ها Data Preprocessing

• ارزیابی آموزش مدل Model Training & Evaluation

• تنظیم Hyperparameter - جستجوی پارامتر Hyperparameter Tuning - Parameter Search

• تنظیم Hyperparameter - مقایسه عملکرد Hyperparameter Tuning - Performance Comparison

• توضیح مدل Model Explainability

• تجسم قابل توضیح مدل Model Explainability Visualization

مقایسه مدلهای NER سفارشی با spaCy’s NER Comparing Custom NER Models to spaCy’s NER

• مقایسه CRF با spaCy Comparing CRF with spaCy

• نسخه ی نمایشی: مدل آموزش NER spaCy Demo: Training spaCy NER Model

• دمی: مثال و تجسم Demi: Example and Visualization

• خلاصه و مراحل بعدی برای یادگیری پردازش زبان طبیعی با پایتون Summary and Next Steps for Learning Natural Language Processing with Python