لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش 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
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
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
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.
نمایش نظرات