کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش بازیابی اطلاعات و استخراج از مجموعه داده‌های حجیم - آخرین آپدیت

دانلود Information Retrieval and Mining Massive Data Sets

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

آموزش ساخت سیستم بازیابی اطلاعات در مقیاس گوگل

با یادگیری تکنیک‌های مختلف، یک سیستم بازیابی اطلاعات (IR System) قدرتمند در مقیاس گوگل بسازید.

محتوای دوره:

  • بخش ۱: ساخت سیستم بازیابی اطلاعات (Information Retrieval System)
  • بخش ۲: استخراج الگوهای پرتکرار و وابستگی‌ها (Mining Frequent Patterns and Associations)
  • بخش ۳: طبقه‌بندی و خوشه‌بندی (Classification and Clustering)
  • بخش ۴: استخراج اطلاعات از وب (Web Mining)
  • بخش ۵: سیستم‌های توصیه‌گر (Recommendation Systems)

هدف دوره:

هدف اصلی این دوره، معرفی تکنیک‌های متنوع مورد نیاز برای ساخت یک سیستم بازیابی اطلاعات کارآمد است. در این دوره، روش‌های مختلفی را برای حل مشکلات داده‌های بزرگ (Big Data) بررسی خواهیم کرد. راه‌حل‌های جایگزین و مزایا و معایب آن‌ها را ارزیابی می‌کنیم. در بخش‌های پایانی، به بررسی الگوریتم‌های داده‌کاوی گوناگون برای درک بهتر مجموعه داده‌های عظیم خواهیم پرداخت.

پیش‌نیازهای دوره:

  • آشنایی با نظریه احتمالات و جبر خطی.
  • تسلط کافی بر الگوریتم‌های سطح تحصیلات تکمیلی.
  • تجربه کار با یک زبان برنامه‌نویسی (مانند C، Python، Java).
سرفصل ها و درس ها

مقدمه‌ای بر موتور جستجوی بولی Introduction To a Boolean Search Engine

  • داده کاوی چیست What is Data Mining

  • داده ساختاریافته، داده بدون ساختار و بازیابی اطلاعات Structured Data, Unstructured data and Information Retrieval

  • ماتریس وقوع واژه-سند (۱) Term-Document Incidence Matrix (1)

  • ماتریس وقوع واژه-سند (۲) Term-Document Incidence Matrix (2)

  • شاخص معکوس Inverted Index

  • موازنه ها در پیاده سازی شاخص معکوس Tradeoffs in implementing an Inverted Index

  • پردازش پرس و جوهای AND، OR، NOT Processing AND, OR, NOT queries

  • مروری بر خط لوله ساخت شاخص Overview of Index Construction Pipeline

  • بهینه سازی پرس و جو با استفاده از فراوانی سند (۱) Query optimization using Document Frequency (1)

  • بهینه سازی پرس و جو با استفاده از فراوانی سند (۲) Query Optimization Using Document Frequency (2)

  • مدل بازیابی بولی Boolean Retrieval Model

  • مثالی از مدل بازیابی بولی Example of a Boolean Retrieval Model

  • محدودیت های مدل بازیابی بولی Limitations of Boolean Retrieval Model

  • چگونه عملکرد سیستم IR را ارزیابی کنیم How to evaluate performance of an IR System

  • Zeitgeist گوگل Google zeitgeist

ساختار داده دیکشنری. بازیابی تحمل پذیر Dictionary Data Structure. Tolerant retrieval

  • تجزیه اسناد و مسائل مرتبط با آن Parsing Documents and Issues Associated with it

  • فرآیند توکنیزاسیون در یک سیستم IR Tokenization Process in an IR System

  • نرمال سازی به واژه ها Normalization to Terms

  • ادغام سریعتر فهرست ها با اشاره گر پرش Faster Postings Merges With Skip Pointers

  • چگونه با پرس و جوی عبارت برخورد کنیم How to Handle Phrase Query

  • پرس و جوی عبارت با استفاده از شاخص موقعیتی Phrase Query Using Positional Index

  • چگونه با پرس و جوی مجاورت برخورد کنیم How to handle proximity query

  • بحث در مورد اندازه شاخص موقعیتی Discussion on Positional Index Size

ساخت شاخص. تخمین اندازه فهرست، شاخص مبتنی بر مرتب سازی، شاخص پویا Index construction. Postings size estimation, sort-based indexing, dynamic index

  • پیاده سازی ساختار داده دیکشنری Dictionary Data Structure Implementation

  • پرس و جوهای کاراکتر عام Wild card queries

  • سوالاتی در مورد پرس و جوهای کاراکتر عام Questions on Wild Card Queries

  • مدیریت پرس و جوهای کاراکتر عام با استفاده از شاخص Permuterm Wild Card Query Handling Using Permuterm Index

  • مدیریت پرس و جوهای کاراکتر عام با استفاده از شاخص K-Gram Wild Card Query Handling Using K-Gram Index

  • الگوریتم Soundex Soundex Algorithm

  • تکنیک های تصحیح املا در یک سیستم IR Spelling Correction Techniques in an IR System

  • سوال در مورد الگوریتم Soundex Question On Soundex Algorithm

  • تصحیح املا (بخش ۲) Spelling Correction (Part 2)

  • مقدمه ای بر برنامه نویسی پویا Introduction To Dynamic Programming

  • چگونه فاصله ویرایش بین دو رشته را محاسبه کنیم How To Calculate Edit Distance Between Two Strings

  • تصحیح املا با استفاده از فاصله ویرایش وزن دار Spelling Correction Using Weighted Edit Distance

  • تصحیح املا با استفاده از تکنیک همپوشانی Ngram Spelling Correction Using Ngram Overlap Technique

  • محاسبه ضریب ژاکارد (مثال) Calculating Jaccard Coefficient (An Example)

  • تصحیح املا حساس به متن Context Sensitive Spell Correction

فشرده سازی دیکشنری، فشرده سازی فهرست Dictionary Compression, Posting Compression

  • مقدمه ای بر ساخت شاخص Introduction to Index Construction

  • ساخت شاخص با استفاده از مرتب سازی درون حافظه Index Construction Using InMemory Sorting

  • ساخت شاخص با استفاده از الگوریتم BSBI Index Construction Using BSBI Algorithm

  • ساخت شاخص با استفاده از الگوریتم SPIMI Index Construction Using SPIMI Algorithm

  • مقدمه ای بر نمایه‌سازی توزیع شده Introduction To Distributed Indexing

  • چگونه شاخص های توزیع شده بسازیم How To build distributed indexes

  • پرسش و پاسخ در مورد شاخص توزیع شده Q & A on Distributed Index

  • Map Reduce Map Reduce

  • نمایه‌سازی پویا با رویکرد ساده Dynamic indexing using naive approach

  • نمایه‌سازی پویا با استفاده از ادغام لگاریتمی Dynamic indexing using logarithimic merge

  • مشکلات با شاخص های متعدد Issues With Multiple Indexes

امتیازدهی، وزن دهی واژه، و مدل فضای برداری Scoring, term weighting, and the vector space model

  • چرا شاخص ها را فشرده می کنیم Why do we compress indexes

  • آمار مهم در مورد مجموعه RCV Important Statistics about RCV Collection

  • تکنیک های مختلف فشرده سازی دیکشنری Various Dictionary Compression Techniques

  • تکنیک های مختلف فشرده سازی دیکشنری بخش ۲ Various Dictionary Compression Techniques Part 2

  • تکنیک های مختلف فشرده سازی فهرست Various Posting Compression Techniques

امتیازدهی کارآمد فضای برداری. تکنیک های نزدیکترین همسایه Efficient vector space scoring. Nearest neighbor techniques

  • مدل بازیابی رتبه بندی شده Ranked Retrieval Model

  • امتیاز ژاکارد Jaccard Score

  • وزن دهی فراوانی واژه و مدل Bag of Words Term Frequency Weighing And Bag Of Words Model

  • فراوانی معکوس سند Inverse Document Frequency

  • امتیاز TF-IDF TF-IDF Score

  • اسناد به عنوان بردارهای TF-IDF Documents AS TF-IDF Vectors

  • نرمال سازی طول Length Normalization

  • مثال شباهت کسینوسی Cosine Similarity Example

  • محاسبه امتیازهای کسینوسی بر روی شاخص Computing Cosine Scores On Index

  • انواع وزن های TF IDF Variants of TF IDF Weights

ارزیابی موتورهای جستجو. رضایت کاربر، دقت، فراخوانی، معیار F Evaluating search engines. User happiness, precision, recall, F-measure

  • امتیازدهی واژه به واژه Term at a Time Scoring

  • رتبه بندی کسینوسی کارآمد Efficient Cosine Ranking

  • رویکرد کلی برای افزایش سرعت شباهت کسینوسی Generic Approach For Speeding up Cosine Similarity

  • حذف شاخص Index Elimination

  • لیست های قهرمان Champion Lists

  • امتیاز کیفیت ایستا Static Quality Score

  • لیست های بالا و پایین High And Low Lists

  • فهرست مرتب شده با تأثیر Impact Ordered Posting

  • خوشه بندی (Pruning) Cluster Pruning

  • شاخص منطقه پارامتری طبقه بندی شده Parametric Zone Tired Index

  • مجاورت واژه پرس و جو و تجزیه پرس و جو Query Term Proximity And Query Parsing

  • عملکرد موتور جستجو چگونه است How A Search Engine Works

سیستم تبلیغات. Google AdSense. بهینه سازی موتور جستجو Advertisement Systen. Google AdSense. Search Engine Optimization

  • عملکرد یک موتور جستجو بخش ۱ Performance of a Search Engine Part 1

  • عملکرد یک موتور جستجو بخش ۲ Performance of a Search Engine Part 2

  • عملکرد یک موتور جستجو بخش ۳ Performance of a Search Engine Part 3

  • عملکرد یک موتور جستجو بخش ۴ Performance of a Search Engine Part 4

  • عملکرد یک موتور جستجو بخش ۵ Performance of a Search Engine Part 5

یادگیری نظارت شده. طبقه بندی متن. طبقه بندی متن Naive-Bayes Supervised Learning. Text Classification. Naive-Bayes Text Classification

  • تجارت الکترونیک در مقابل مشاغل سنتی ECommerce Vs. Traditional Businesses

  • مدل های قیمت گذاری برای تبلیغات آنلاین Pricing Models For Online Advertisement

  • AdWords و AdSense AdWords and AdSense

  • SEM و SEO SEM And SEO

تحلیل پیوند. وب به عنوان یک گراف. PageRank Link analysis. Web as a graph. PageRank

  • سیستم طبقه بندی Classification System

  • طبقه بندی اسناد Document Classification

  • روش های طبقه بندی دستی Manual Classification Methods

  • طبقه بندی کننده های Naive Bayes Naive Bayes Classifiers

  • قوانین بیز برای طبقه بندی متن Bayes Rules Of Text Classification

  • روش های مختلف طبقه بندی Various Classification Methods

  • مثال مدل چند متغیره برنولی Example of Multivariate Bernouli Model

  • نسخه دوم Naive Bayes Second Version of Naive Bayes

  • مثال نسخه دوم Naive Bayes Example of Second Version of Naive Bayes

خوشه بندی. مقدمه ای بر مسئله. روش های پارتیشن بندی: خوشه بندی k-means Clustering. Introduction to the problem. Partitioning methods: k-means clusterin

  • سیستم های اعتبار Reputation System

  • نمونه هایی از سیستم اعتبار Examples of Reputation System

  • محدودیت های سیستم اعتبار Limitations of Reputation System

  • محاسبه Page Rank Page Rank Calculation

Web Crawler Web Crawler

  • خوشه بندی چیست What is Clustering

  • کاربرد خوشه بندی در سیستم های IR Applications of Clustering in IR Systems

  • مشکلات خوشه بندی Issues For Clustering

  • مقدمه ای بر الگوریتم های خوشه بندی Introduction to Clustering Algorithms

  • الگوریتم های خوشه بندی K-Means K-Means Clustering Algorithms

  • الگوریتم های Rocchio Rocchio Algorithms

  • الگوریتم های K Nearest Neighbor K Nearest Neighbor Algorithms

  • بحث در مورد K Nearest Neighbor Discussion on K Nearest Neighbor

  • اثبات الگوریتم Rocchio به عنوان طبقه بندی کننده خطی Proof of Rocchio's Algorithm as linear classifier

  • مثال حل شده در الگوریتم های Rocchio Worked out Example On Rocchio Algorithms

  • مثال هایی بر روی شاخص Bigram Examples On Bigram Index

قوانین وابستگی. مدل سبد خرید بازار و مجموعه اقلام پرتکرار. الگوریتم A Priori Association Rules. Market Basket Model and Frequent Item Sets. A Priori Algorith

  • عملکرد Web Crawler چگونه است How a Web Crawler Works

  • معرفی قانون انجمن Association Rule Introduction

  • پیچیدگی ها در خزیدن Complications in Crawling

  • مدل سبد بازار و مجموعه اقلام مکرر Market Basket Model and Frequent Item Sets

  • رویکرد رسمی به قوانین انجمن A formal approach to Association Rules

  • معماری پیشرفته خزنده Advance Crawler Architecture

  • چگونه قوانین انجمن را پیدا کنیم How to find association Rules

  • URL Frontier URL Frontier

  • ملاحظات ذخیره سازی برای سبد بازار Storage Considerations for Market Basket

  • گلوگاه حافظه در ذخیره سازی سبد بازار Memory Bottleneck in Storage of Market Basket

  • یک الگوریتم ساده لوح برای کشف قوانین انجمن قسمت 1 A Naive Algorithm to discover Association Rules Part1

  • یک الگوریتم ساده لوح برای کشف قوانین انجمن قسمت 2 A Naive Algorithm to discover Association Rules Part2

  • یک الگوریتم پیشینی A Priori Algorithm

  • بسط الگوریتم پیشینی Extension of A Priori Algorithm

قوانین وابستگی. مدل سبد خرید بازار و مجموعه اقلام پرتکرار. الگوریتم A Priori Association Rules. Market Basket Model and Frequent Item Sets. A Priori Algorith

  • مقدمه قوانین وابستگی Association Rule Introduction

  • مدل سبد خرید بازار و مجموعه اقلام پرتکرار Market Basket Model and Frequent Item Sets

  • رویکرد رسمی به قوانین وابستگی A formal approach to Association Rules

  • چگونه قوانین وابستگی را پیدا کنیم How to find association Rules

  • ملاحظات ذخیره سازی برای سبد خرید بازار Storage Considerations for Market Basket

  • گلوگاه حافظه در ذخیره سازی سبد خرید بازار Memory Bottleneck in Storage of Market Basket

  • یک الگوریتم ساده برای کشف قوانین وابستگی بخش اول A Naive Algorithm to discover Association Rules Part1

  • یک الگوریتم ساده برای کشف قوانین وابستگی بخش دوم A Naive Algorithm to discover Association Rules Part2

  • الگوریتم A Priori A Priori Algorithm

  • گسترش الگوریتم A Priori Extension of A Priori Algorithm

آموزش اسکرام حرفه ای با گواهی کانبان

آموزش اسکرام حرفه ای با گواهی کانبان

Professional Scrum with Kanban Certification

آموزش اسرار تکنیک مرطوب روی خیس: نقاشی قارچ قرمز با آبرنگ

آموزش اسرار تکنیک مرطوب روی خیس: نقاشی قارچ قرمز با آبرنگ

دانلود Secrets of Wet-on-Wet Technique: Painting a Red Mushroom with Watercolor

آموزش نکات و راهکارهای رفع اشکال/عیب یابی در Visual Studio 2019

آموزش نکات و راهکارهای رفع اشکال/عیب یابی در Visual Studio 2019

Debugger/Diagnostics Tips & Tricks in Visual Studio 2019

نمایش نظرات

آموزش بازیابی اطلاعات و استخراج از مجموعه داده‌های حجیم
جزییات دوره
39 hours
123
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,182
4.4 از 5
ندارد
دارد
دارد

https://donyad.com/d/c0deb6

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Omkar Deshpande Omkar Deshpande

مهندس اصلی WalmartLabs

Mentors Net Mentors Net

زندگی های بیشتری را لمس کنید، خرد بیشتری را به دیگران منتقل کنید