آموزش پردازش زبان طبیعی (NLP) با پروژه‌های واقعی [ویدئویی] - آخرین آپدیت

دانلود Natural Language Processing with Real-World Projects [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره خواهید آموخت که چگونه ماشین‌ها را می‌توان برای درک زبانی که انسان‌ها برای تعامل استفاده می‌کنند، آموزش داد. شما با الگوریتم‌های متعددی در NLP آشنا می‌شوید که مدل‌های محاسباتی را در زمینه پردازش لغوی و پردازش نحوی پایه آموزش می‌دهند. همچنین مکانیسمی را که گوگل ترنسلیت برای درک بافت زبان و تبدیل آن به زبانی دیگر استفاده می‌کند، خواهید آموخت. شما یک چت‌بات با استفاده از ابزار متن‌باز Rasa خواهید ساخت؛ یک سیستم مکالمه‌ای مبتنی بر متن و صوت که پیام‌ها را درک کرده، گفتگوها را مدیریت می‌کند و به کانال‌های پیام‌رسان و APIها متصل می‌شود. علاوه بر این، نحوه آموزش مدلی که ایجاد کرده‌اید را در NLU یاد می‌گیرید. ماشین‌ها را نمی‌توان تنها با برنامه‌های سنتی کدنویسی شده که به شرایط بسیار خاص وابسته هستند، برای درک یا پردازش داده‌ها آموزش داد؛ زیرا با کوچکترین تغییر در ورودی، این برنامه‌ها ناکارآمد می‌شوند. بنابراین، به جای کدنویسی تمام مکالمات احتمالی، ما به مدلی نیاز داریم که سیستم را قادر سازد بافت و مفهوم (Context) را درک کند. داشتن دانش قبلی در زمینه یادگیری ماشین و یادگیری عمیق مفید است، اما اگر ندارید، تمامی پیش‌نیازهای لازم در خود این دوره پوشش داده شده است. در پایان این دوره، شما قادر خواهید بود مدل‌های NLP بسازید که بتوانند بلوک‌های متنی را برای استخراج ایده‌های اصلی خلاصه کنند، تحلیل احساسات (Sentiment Analysis) را برای استخراج عواطف از متن انجام دهند و نوع موجودیت‌های استخراج شده را شناسایی کنند. تمام پروژه‌های گنجانده شده در این دوره، پروژه‌های واقعی هستند. تمامی کدها و فایل‌های پشتیبان در آدرس زیر در دسترس هستند: https://github.com/PacktPublishing/Natural-Language-Processing-with-Real-World-Projects معرفی NLP، Regex و پردازش لغوی آموزش پردازش نحوی در سطوح مقدماتی، متوسط و پیشرفته پیاده‌سازی پردازش نحوی در یک پروژه واقعی آموزش رویکرد احتمالی (Probabilistic Approach) آموزش نحوه پیاده‌سازی تجزیه (Parsing) در NLP آشنایی با مدل گرامری CFG/PCFG دانشجویانی که قصد شروع فعالیت در علوم داده را دارند، متخصصانی که با یادگیری عمیق آشنایی دارند و توسعه‌دهندگانی که به دنبال ساخت چت‌بات یا کار روی پروژه‌های Alexa و Google Home هستند، از این دوره بهره‌مند خواهند شد. تسلط بر پردازش زبان طبیعی با پایتون * تسلط بر یادگیری ماشین در پایتون * ایجاد پایه قوی برای پایتون، یادگیری ماشین و یادگیری عمیق در بخش پیش‌نیازها

سرفصل ها و درس ها

مقدمه‌ای بر پردازش زبان طبیعی (NLP) و Regex Introduction to NLP (Natural Language Processing) and Regex

  • مقدمه‌ای بر NLP Introduction to NLP

  • داده‌های متنی: بخش اول Text Data: Part 1

  • داده‌های متنی: بخش دوم Text Data: Part 2

  • کدگذاری متن (Text Encoding) Text Encoding

  • عبارات منظم (Regex): بخش اول Regular Expression: Part 1

  • عبارات منظم (Regex): بخش دوم Regular Expression: Part 2

  • عبارات منظم (Regex): بخش سوم Regular Expression: Part 3

  • عبارات منظم (Regex): بخش چهارم Regular Expression: Part 4

  • عبارات منظم (Regex): بخش پنجم Regular Expression: Part 5

  • عبارات منظم (Regex): بخش ششم Regular Expression: Part 6

  • عبارات منظم: مورد کاربردی Regular Expression: Use Case

مقدمه‌ای بر پردازش لغوی (Lexical Processing) Introduction to Lexical Processing

  • کلمات توقف (Stopwords) Stopwords

  • قطعه‌قطعه کردن کلمات (Splitting) Splitting Words

  • مدل کیسه کلمات (Bag of Words) Bag-of-Words

  • مدیریت کلمات مشابه متنی: بخش اول Handling Similar Text Words: Part 1

  • مدیریت کلمات مشابه متنی: بخش دوم Handling Similar Text Words: Part 2

  • مطالعه موردی ۱ Case Study - 1

  • الگوریتم Tf IDF Tf-IDF

  • مطالعه موردی ۲ Case Study - 2

  • مطالعه موردی ۳ Case Study - 3

پردازش لغوی پیشرفته Advanced Lexical Processing

  • غلط‌های املایی Spelling Mistakes

  • الگوریتم Soundex Soundex Algorithm

  • مطالعه موردی ۱ Case Study - 1

  • برخورد با غلط‌های املایی Dealing with Spelling Mistakes

  • مطالعه موردی ۲ Case Study - 2

  • مطالعه موردی: اصلاح‌کننده املایی - بخش اول Case Study: Spell Corrector - Part 1

  • مطالعه موردی: اصلاح‌کننده املایی - بخش دوم Case Study: Spell Corrector - Part 2

  • مطالعه موردی: اصلاح‌کننده املایی - بخش سوم Case Study: Spell Corrector - Part 3

  • مدیریت کلمات ترکیبی مانند New Delhi Handling Combined Words Like New Delhi

  • مدیریت کلمات ترکیبی مانند New Delhi (بخش ۲) Handling a Combined Word Like New Delhi 2

پردازش نحوی پایه (Basic Syntactic Processing) Basic Syntactic Processing

  • پردازش نحوی چیست؟ What Is Syntactic Processing?

  • تجزیه (Parsing) Parsing

  • گرامر جملات انگلیسی: بخش اول Grammar for English Sentence: Part 1

  • گرامر جملات انگلیسی: بخش دوم Grammar for English Sentence: Part 2

  • مطالعه موردی: تخصیص گرامر به جملات انگلیسی - بخش اول Case Study: Assign Grammar to English Sentence: Part 1

  • مطالعه موردی: تخصیص گرامر به جملات انگلیسی - بخش دوم Case Study: Assign Grammar to English Sentence: Part 2

پردازش نحوی متوسط Intermediate Syntactic Processing

  • تجزیه تصادفی (Stochastic Parsing) Stochastic Parsing

  • الگوریتم ویتربی (Viterbi) Viterbi Algorithm

  • مدل مارکوف پنهان (HMM) Hidden Markov Model

  • مسئله رمزگشایی: بخش اول Decoding Problem: Part 1

  • مسئله رمزگشایی: بخش دوم Decoding Problem: Part 2

  • آموزش مدل مارکوف پنهان Learning Hidden Markov Model

  • مطالعه موردی در پردازش نحوی: بخش اول Case Study on Syntactic Processing: Part 1

  • مطالعه موردی در پردازش نحوی: بخش دوم Case Study on Syntactic Processing: Part 2

  • شبکه‌های عصبی بازگشتی (RNN) RNN (Recurrent Neural Network)

پردازش نحوی پیشرفته Advanced Syntactic Processing

  • مقدمه Introduction

  • مشکلات تجزیه سطحی (Shallow Parsing) Issue with Shallow Parsing

  • گرامر CFG: بخش اول CFG Grammar: Part 1

  • گرامر CFG: بخش دوم CFG Grammar: Part 2

  • تجزیه بالا به پایین با NumPy Top-Dow NumPy n Parsing

  • مطالعه موردی پردازش نحوی پیشرفته: بخش اول Case Study on Advanced Syntactic Processing: Part 1

  • رویکرد پایین به بالا Bottom Up

  • مطالعه موردی پردازش نحوی پیشرفته: بخش دوم Case Study on Advanced Syntactic Processing: Part 2

  • چالش‌های عملی رویکرد مذکور Practical Issues with the Above Approach

  • گرامر PCFG PCFG

رویکرد احتمالی Probabilistic Approach

  • گرامر CFG احتمالی Probabilistic CFG Grammar

  • مطالعه موردی Case Study

  • فرم نرمال چامسکی (CNF) Chomsky Normal Form

  • تجزیه وابستگی (Dependency Parsing): بخش اول Dependency Parsing: Part 1

  • تجزیه وابستگی (Dependency Parsing): بخش دوم Dependency Parsing: Part 2

پردازش نحوی با پروژه واقعی Syntactic Processing with Real-World Project

  • مقدمه‌ای بر پروژه استخراج اطلاعات: بخش اول Introduction to Information Extraction Project: Part 1

  • مطالعه موردی: بخش دوم Case Study: Part 2

  • مطالعه موردی: بخش سوم Case Study: Part 3

  • مطالعه موردی: بخش چهارم Case Study: Part 4

  • مطالعه موردی: بخش پنجم Case Study: Part 5

  • مطالعه موردی: بخش ششم Case Study: Part 6

  • مطالعه موردی: بخش هفتم Case Study: Part 7

مقدمه‌ای بر پردازش معنایی (Semantic Processing) Introduction to Semantic Processing

  • مقدمه Introduction

  • مفاهیم Concepts

  • موجودیت (Entity) Entity

  • تعداد آرگومان‌ها (Arity) Arity

  • عینی‌سازی (Reification) Reification

  • طرحواره (Schema) Schema

  • ارتباطات معنایی: بخش اول Semantic Associations: Part 1

  • ارتباطات معنایی: بخش دوم Semantic Associations: Part 2

  • اصطلاحات و مفاهیم Terms and Concepts

  • اصل ترکیب (Principle of Composition) Principle of Composition

  • پایگاه داده WordNet WordNet

  • ابهام‌زدایی معنایی کلمات (WSD) Word Sense Disambiguation

  • مطالعه موردی Case Study

پردازش معنایی پیشرفته: بخش اول Advanced Semantic Processing: Part 1

  • مقدمه‌ای بر معناشناسی توزیعی Introduction to Distributional Semantics

  • معناشناسی توزیعی (Distributional Semantics) Distributional Semantics

  • ماتریس وقوع: بخش اول Occurrence Matrix: Part 1

  • ماتریس وقوع: بخش دوم Occurrence Matrix: Part 2

  • ماتریس هم‌وقوع (Co-Occurrence Matrix) Co-Occurrence Matrix

  • بردارهای کلمات: بخش اول Word Vectors: Part 1

  • معیار فاصله (Distance Metric) Distance Metric

  • بردارهای کلمات: بخش دوم Word Vectors: Part 2

  • درک جاسازی کلمات (Word Embeddings) Understanding Word Embeddings

پردازش معنایی پیشرفته: بخش دوم Advanced Semantic Processing: Part 2

  • تحلیل معنایی نهفته (LSA) LSA - Latent Semantic Analysis

  • مطالعه موردی با LSA Case Study with LSA

  • مدل Word2vec: بخش اول Word2vec: Part 1

  • مدل Word2vec: بخش دوم Word2vec: Part 2

  • مطالعه موردی: LSA Case Study: LSA

  • مطالعه موردی: Word2vec - بخش اول Case Study: Word2vec: Part 1

  • مطالعه موردی: Word2vec - بخش دوم Case Study: Word2vec: Part 2

  • مطالعه موردی: Word2vec - بخش سوم Case Study: Word2vec: Part 3

  • مطالعه موردی: Word2vec - بخش چهارم Case Study: Word2vec: Part 4

  • مطالعه موردی: طبقه‌بندی - بخش اول Case Study: Classification: Part 1

  • مطالعه موردی: طبقه‌بندی - بخش دوم Case Study: Classification: Part 2

پیش‌نیاز: مبانی پایتون Prerequisite - Python Fundamentals

  • نصب پایتون و آناکوندا Installation of Python and Anaconda

  • معرفی پایتون Python Introduction

  • متغیرها در پایتون Variables in Python

  • عملیات عددی در پایتون Numeric Operations in Python

  • عملیات منطقی Logical Operations

  • حلقه If Else If Else Loop

  • حلقه‌های For و While For While Loop

  • توابع Functions

  • رشته‌ها (Strings): بخش اول Strings: Part 1

  • رشته‌ها (Strings): بخش دوم Strings: Part 2

  • لیست‌ها (List): بخش اول List: Part 1

  • لیست‌ها (List): بخش دوم List: Part 2

  • لیست‌ها (List): بخش سوم List: Part 3

  • لیست‌ها (List): بخش چهارم List: Part 4

  • تاپل‌ها (Tuples) Tuples

  • مجموعه‌ها (Sets) Sets

  • دیکشنری‌ها (Dictionaries) Dictionaries

  • درک لیست‌ها (Comprehension) Comprehension

پیش‌نیاز: کتابخانه NumPy Prerequisite - NumPy

  • مقدمه Introduction

  • عملیات NumPy: بخش اول NumPy Operations: Part 1

  • عملیات NumPy: بخش دوم NumPy Operations: Part 2

پیش‌نیاز: کتابخانه Pandas Prerequisite - Pandas

  • مقدمه Introduction

  • سری‌ها (Series) Series

  • دیتافریم‌ها (DataFrame) DataFrame

  • عملیات: بخش اول Operations: Part 1

  • عملیات: بخش دوم Operations: Part 2

  • اندیس‌ها (Indexes) Indexes

  • توابع loc و iloc loc and iloc

  • خواندن فایل‌های CSV Reading CSV

  • ادغام (Merging): بخش اول Merging: Part 1

  • گروه‌بندی (groupby) groupby

  • ادغام (Merging): بخش دوم Merging: Part 2

  • جداول محوری (Pivot Tables) Pivot Tables

پیش‌نیاز: مفاهیم ریاضی کاربردی Prerequisite - Some Fun with Math

  • جبر خطی: بردارها Linear Algebra: Vectors

  • جبر خطی: ماتریس - بخش اول Linear Algebra: Matrix: Part 1

  • جبر خطی: ماتریس - بخش دوم Linear Algebra: Matrix: Part 2

  • جبر خطی: انتقال از 2D به nD - بخش اول Linear Algebra: Going from 2D to nD: Part 1

  • جبر خطی: انتقال از 2D به nD - بخش دوم Linear Algebra: Going from 2D to nD: Part 2

پیش‌نیاز: بصری‌سازی داده‌ها Prerequisite - Data Visualization

  • کتابخانه Matplotlib Matplotlib

  • کتابخانه Seaborn Seaborn

  • مطالعه موردی Case Study

  • استفاده از Seaborn برای داده‌های سری زمانی Seaborn on Time Series Data

پیش‌نیاز: رگرسیون خطی ساده Prerequisite - Simple Linear Regression

  • مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

  • انواع یادگیری ماشین Types of Machine Learning

  • مقدمه‌ای بر رگرسیون خطی (LR) Introduction to Linear Regression (LR)

  • رگرسیون خطی چگونه کار می‌کند؟ How LR Works?

  • بررسی ریاضیات پشت رگرسیون خطی Some Fun with Math Behind LR

  • ضریب تعیین (R Square) R Square

  • مطالعه موردی LR: بخش اول LR Case Study: Part 1

  • مطالعه موردی LR: بخش دوم LR Case Study: Part 2

  • مطالعه موردی LR: بخش سوم LR Case Study: Part 3

  • خطای مجذور باقی‌مانده (RSE) Residual Square Error (RSE)

پیش‌نیاز: گرادیان کاهشی (Gradient Descent) Prerequisite - Gradient Descent

  • پیش‌نیاز گرادیان کاهشی: بخش اول Prerequisite for Gradient Descent: Part 1

  • پیش‌نیاز گرادیان کاهشی: بخش دوم Prerequisite for Gradient Descent: Part 2

  • توابع هزینه (Cost Functions) Cost Functions

  • تعریف رسمی توابع هزینه Defining Cost Functions More Formally

  • گرادیان کاهشی (Gradient Descent) Gradient Descent

  • بهینه‌سازی Optimization

  • مقایسه فرم d با گرادیان کاهشی d Form Versus Gradient Descent

  • مطالعه موردی گرادیان کاهشی Gradient Descent Case Study

پیش‌نیاز: طبقه‌بندی KNN Prerequisite - Classification: KNN

  • مقدمه‌ای بر طبقه‌بندی (Classification) Introduction to Classification

  • تعریف ریاضی طبقه‌بندی Defining Classification Mathematically

  • مقدمه‌ای بر KNN Introduction to KNN

  • دقت الگوریتم KNN Accuracy of KNN

  • اثربخشی KNN Effectiveness of KNN

  • معیارهای فاصله Distance Metrics

  • معیارهای فاصله: بخش دوم Distance Metrics: Part 2

  • یافتن مقدار k Finding k

  • استفاده از KNN در رگرسیون KNN on Regression

  • مطالعه موردی Case Study

  • مورد طبقه‌بندی ۱ Classification Case 1

  • مورد طبقه‌بندی ۲ Classification Case 2

  • مورد طبقه‌بندی ۳ Classification Case 3

  • مورد طبقه‌بندی ۴ Classification Case 4

پیش‌نیاز: رگرسیون لجستیک Prerequisite - Logistic Regression

  • مقدمه Introduction

  • تابع سیگموئید Sigmoid Function

  • لگاریتم شانس (Log Odds) Log Odds

  • مطالعه موردی Case Study

پیش‌نیاز: الگوریتم‌های پیشرفته یادگیری ماشین Prerequisite - Advanced Machine Learning Algorithms

  • مقدمه Introduction

  • مثال: بخش اول Example: Part 1

  • مثال: بخش دوم Example: Part 2

  • راه‌حل بهینه Optimal Solution

  • مطالعه موردی Case Study

  • منظم‌سازی (Regularization) Regularization

  • مدل‌های Ridge و Lasso Ridge and Lasso

  • مطالعه موردی Case Study

  • انتخاب مدل Model Selection

  • R Square اصلاح‌شده Adjusted R Square

پیش‌نیاز: مقدمه‌ای بر یادگیری عمیق Prerequisite - Deep Learning introduction

  • مقدمه Introduction

  • تاریخچه یادگیری عمیق History of Deep Learning

  • پرسپترون (Perceptron) Perceptron

  • پرسپترون چند لایه (MLP) Multi-Level Perceptron

  • محیط بازی یادگیری عصبی (Playground) Neural Network Playground

  • نمایش‌ها (Representations) Representations

  • آموزش شبکه عصبی: بخش اول Training Neural Network: Part 1

  • آموزش شبکه عصبی: بخش دوم Training Neural Network: Part 2

  • آموزش شبکه عصبی: بخش سوم Training Neural Network: Part 3

  • تابع فعال‌ساز (Activation Function) Activation Function

نمایش نظرات

آموزش پردازش زبان طبیعی (NLP) با پروژه‌های واقعی [ویدئویی]
جزییات دوره
31h 19m
198
Packtpub Packtpub
(آخرین آپدیت)
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

Geekshub Pvt. Ltd. Geekshub Pvt. Ltd.

Geekshub یک شرکت آموزش آنلاین در زمینه داده های بزرگ و تجزیه و تحلیل است. هدف آنها به عنوان یک تیم این است که بهترین مجموعه مهارت را به مشتریان خود ارائه دهند تا آنها را برای کار آماده کنند و آنها را برای مقابله با هر چالشی آماده کنند. آنها بهترین مربیان را برای فناوری های پیشرفته مانند یادگیری ماشینی، یادگیری عمیق، پردازش زبان طبیعی (NLP)، یادگیری تقویتی و علم داده دارند. مربیان آنها افرادی هستند که از IIT، MIT و Standford فارغ التحصیل شده اند. آنها مشتاق آموزش موضوعات با استفاده از مطالعات موردی در دنیای واقعی هستند که تجربه یادگیری دانش آموزان را کالیبره می کند.