پردازش زبان طبیعی - مدل های یادگیری عمیق در پایتون [ویدئو]

Natural Language Processing - Deep Learning Models in Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سفری به پردازش زبان طبیعی (NLP) با تمرکز بر مدل های یادگیری عمیق با استفاده از پایتون آغاز کنید. این دوره با مقدمه‌ای بر نورون‌ها شروع می‌شود و توضیح می‌دهد که چگونه بلوک‌های ساختمانی اصلی شبکه‌های عصبی را تشکیل می‌دهند. شما یاد خواهید گرفت که خطوط را متناسب کنید و کدهای طبقه بندی را تهیه کنید، که به کارهای عملی طبقه بندی متن با استفاده از TensorFlow ختم می شود. با پیشروی به سمت شبکه های عصبی مصنوعی پیشخور (ANN)، به انتشار رو به جلو، توابع فعال سازی و طبقه بندی چند کلاسه خواهید پرداخت. این دوره شامل آماده سازی کد گسترده برای طبقه بندی متن در TensorFlow، پوشش پیش پردازش متن، جاسازی ها و تکنیک های پیشرفته مانند Continuous Bag of Words (CBOW) است. این بخش به شما اطمینان می دهد که جنبه های هندسی و تنظیم هایپرپارامتر را درک می کنید. سپس این دوره به بررسی شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی تکراری (RNN) می‌پردازد، که برای کارهای پیشرفته NLP ضروری هستند. شما با پیچیدگی های کانولوشن، معماری CNN و کاربرد آنها در متن آشنا خواهید شد. بخش RNN RNN های ساده، GRU و LSTM را با تمرین های عملی در طبقه بندی متن، برچسب گذاری قسمت های گفتار و شناسایی موجودیت های نامگذاری شده در TensorFlow پوشش می دهد. هر بخش به گونه ای طراحی شده است که مهارت های شما را به تدریج ایجاد کند و از درک عمیق مفاهیم نظری و کاربردهای عملی اطمینان حاصل کند. درک کاملی از شبکه های عصبی و کاربردهای آنها در NLP ایجاد کنید. پیاده سازی مدل های طبقه بندی متن با استفاده از TensorFlow. به تکنیک‌های پیشرفته NLP مانند جاسازی‌ها و شناسایی موجودیت‌های نام‌گذاری شده مسلط شوید. شبکه های عصبی کانولوشنال و تکراری را برای کارهای NLP در دنیای واقعی اعمال کنید. بهینه سازی عملکرد مدل از طریق تنظیم فراپارامتر موثر. تکنیک های پیشرفته مانند CBOW و تنظیم هایپرپارامتر. این دوره برای دانشمندان داده، مهندسین یادگیری ماشین و علاقه مندان به هوش مصنوعی با درک اولیه پایتون و یادگیری ماشین طراحی شده است. آشنایی با مفاهیم اولیه شبکه های عصبی مفید است اما اجباری نیست. پوشش جامع NLP با استفاده از مدل های یادگیری عمیق. * تمرینات گام به گام کدنویسی در TensorFlow. * کاربردهای عملی طبقه‌بندی متن، جاسازی‌ها و شناسایی موجودیت نام‌گذاری شده.

سرفصل ها و درس ها

خوش آمدی Welcome

  • مقدمه و طرح کلی Introduction and Outline

  • پیشنهاد ویژه Special Offer

راه اندازی Getting Set Up

  • از کجا می توان کد را دریافت کرد Where To Get the Code

  • چگونه در این دوره موفق شویم How To Succeed in This Course

نورون The Neuron

  • نورون - مقدمه بخش The Neuron - Section Introduction

  • تطبیق یک خط Fitting a Line

  • تهیه کد طبقه بندی Classification Code Preparation

  • طبقه بندی متن در تنسورفلو Text Classification in Tensorflow

  • نورون The Neuron

  • یک مدل چگونه یاد می گیرد؟ How does a model learn?

  • نورون - خلاصه بخش The Neuron - Section Summary

شبکه های عصبی مصنوعی پیشخور Feedforward Artificial Neural Networks

  • ANN - بخش مقدمه ANN - Section Introduction

  • انتشار رو به جلو Forward Propagation

  • تصویر هندسی The Geometrical Picture

  • توابع فعال سازی Activation Functions

  • طبقه بندی چند طبقه Multiclass Classification

  • تهیه کد ANN ANN Code Preparation

  • طبقه بندی متن ANN در تنسورفلو Text Classification ANN in Tensorflow

  • آماده سازی کد پیش پردازش متن Text Preprocessing Code Preparation

  • پیش پردازش متن در تنسورفلو Text Preprocessing in Tensorflow

  • جاسازی ها Embeddings

  • CBOW (پیشرفته) CBOW (Advanced)

  • اعلان تمرین CBOW CBOW Exercise Prompt

  • CBOW در تنسورفلو (پیشرفته) CBOW in Tensorflow (Advanced)

  • ANN - خلاصه بخش ANN - Section Summary

  • کنار: نحوه انتخاب فراپارامترها (اختیاری) Aside: How to Choose Hyperparameters (Optional)

شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • CNN - بخش مقدمه CNN - Section Introduction

  • Convolution چیست؟ What is Convolution?

  • Convolution چیست؟ (تطبیق الگو) What is Convolution? (Pattern Matching)

  • Convolution چیست؟ (تقسیم وزن) What is Convolution? (Weight Sharing)

  • پیچیدگی در تصاویر رنگی Convolution on Color Images

  • معماری CNN CNN Architecture

  • CNN برای متن CNNs for Text

  • شبکه عصبی کانولوشن برای NLP در تنسورفلو Convolutional Neural Network for NLP in Tensorflow

  • CNN - خلاصه بخش CNN - Section Summary

شبکه های عصبی مکرر Recurrent Neural Networks

  • RNN - بخش مقدمه RNN - Section Introduction

  • RNN ساده/واحد المان (نقطه 1) Simple RNN / Elman Unit (pt 1)

  • RNN ساده/واحد المان (نقطه 2) Simple RNN / Elman Unit (pt 2)

  • آماده سازی کد RNN RNN Code Preparation

  • RNN: توجه به اشکال RNNs: Paying Attention to Shapes

  • GRU و LSTM (نقطه 1) GRU and LSTM (pt 1)

  • GRU و LSTM (نقطه 2) GRU and LSTM (pt 2)

  • RNN برای طبقه بندی متن در Tensorflow RNN for Text Classification in Tensorflow

  • برچسب‌گذاری بخش‌های گفتار (POS) در Tensorflow Parts-of-Speech (POS) Tagging in Tensorflow

  • به نام Entity Recognition (NER) در Tensorflow Named Entity Recognition (NER) in Tensorflow

  • تمرین: بازگشت به CNN (پیشرفته) Exercise: Return to CNNs (Advanced)

  • RNN - خلاصه بخش RNN - Section Summary

نمایش نظرات

پردازش زبان طبیعی - مدل های یادگیری عمیق در پایتون [ویدئو]
جزییات دوره
6h 29m
47
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

Lazy Programmer Lazy Programmer

برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.