لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پردازش زبان طبیعی برای گفتار و متن: از مبتدی تا پیشرفته
دانلود Natural Language Processing for Speech and Text: From Beginner to Advanced
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با افزایش اخیر مدلهای زبانی بزرگ، بررسی تکامل تکنیکهای NLP، از روشهای سنتی تا استانداردهای فعلی صنعت، بسیار مهم است. در این دوره، Wuraola Oyewusi - دانشمند داده با تجربه و حرفه ای در یادگیری ماشین و هوش مصنوعی - به شما کمک می کند پایه ای قوی در مفاهیم پردازش زبان طبیعی (NLP) ایجاد کنید و به کاربرد انتها به انتها NLP می پردازد. در حین بررسی پیشینه نظری مفاهیم NLP، تکامل تاریخی تکنیکهای NLP و کاربردهای فعلی تکنیکهای نمایش NLP برای دادههای متنی و گفتاری، درباره دادههای متنی و گفتاری اطلاعاتی کسب کنید. در تمرینهای تمرینی مبتنی بر کد برای تکنیکها و وظایف پیشپردازش برای دادههای متنی و گفتاری، شیرجه بزنید. بهعلاوه، طیف گستردهای از کتابخانههای پایتون، از جمله NLTK، spaCy، Hugging Face، Transformers، librosa، scikit-learn، gensim و torchaudio را بررسی کنید.
سرفصل ها و درس ها
مقدمه
Introduction
استراتژی دوره NLP
NLP course strategy
مبانی پردازش زبان طبیعی
Fundamentals of natural language processing
1. مقدمه ای بر پردازش زبان طبیعی (NLP)
1. Introduction to Natural Language Processing (NLP)
کاربردهای پردازش زبان طبیعی در داده های متنی
Applications of natural language processing in text data
تکامل تاریخی وظایف و تکنیک های NLP
Historical evolution of NLP tasks and techniques
پردازش زبان طبیعی (NLP) چیست؟
What is natural language processing (NLP)?
کاربردهای پردازش زبان طبیعی در داده های گفتاری
Applications of natural language processing in speech data
دنباله ها چیست؟
What are sequences?
چگونه کامپیوترها دنباله ها را در NLP درک می کنند
How computers understand sequences in NLP
2. پردازش زبان طبیعی برای تکنیک های متن
2. Natural Language Processing for Text Techniques
نمایش متن: مدل های زبانی از پیش آموزش دیده (PLM)
Text representation: Pre-trained language models (PLMs)
نمایش N گرم با استفاده از NLTK
N-grams representation using NLTK
نمایش مجموعه کلمات با استفاده از scikit-learn
Bag-of-words representation using scikit-learn
تعبیه Word2vec با استفاده از Gensim
Word2vec embedding using Gensim
نمایش متن: N-گرم
Text representation: N-grams
پیش پردازش متن
Text preprocessing
نمایش متن: رمزگذاری تکی
Text representation: One-hot encoding
نمایش متن: کیسه کلمات (BoW)
Text representation: Bag-of-words (BoW)
نمایش متن
Text representation
تعبیه با مدل SpaCy از پیش آموزش دیده
Embedding with pretrained spaCy model
نمایش متن: فرکانس معکوس فرکانس سند (TF-IDF)
Text representation: Term frequency-inverse document frequency (TF-IDF)
جاسازی جمله با استفاده از کتابخانه Sentence Transformers
Sentence embedding using the Sentence Transformers library
نمایش TF-IDF با استفاده از Sicit-Learn
TF-IDF representation using scikit-learn
پیش پردازش متن با استفاده از NLTK
Text preprocessing using NLTK
نمایش متن: جاسازی کلمه
Text representation: Word embeddings
مدل های زبانی از پیش آموزش دیده با استفاده از Transformers
Pre-trained language models using Transformers
رمزگذاری یکباره با استفاده از scikit-learn
One-hot encoding using scikit-learn
3. پردازش زبان طبیعی برای تکنیک های گفتار
3. Natural Language Processing for Speech Techniques
طیفنگارها با استفاده از تبدیل فوریه سریع (FFT) در librosa
Spectrograms using fast Fourier transform (FFT) in librosa
ضرایب سپسترال فرکانس مل (MFCCs) با استفاده از librosa
Mel-frequency cepstral coefficients (MFCCs) using librosa
نمایش گفتار: طیفنگارها
Speech representation: Spectrograms
نمایش گفتار: ضرایب پیشبینی خطی مغزی (LPCC)
Speech representation: Linear predictive cepstral coefficients (LPCCs)
جاسازی گفتار با استفاده از wav2vec در ترانسفورماتورها
Speech embeddings using wav2vec in Transformers
ویژگی های بانک فیلتر گاماتون با استفاده از لیبروسا
Gammatone filterbank features using librosa
کدگذاری پیش بینی خطی (LPC) با استفاده از librosa
Linear predictive coding (LPC) using librosa
گفتار به متن (STT) با استفاده از wav2vec در کتابخانه Transformers
Speech-to-text (STT) using wav2vec in the Transformers library
مدل های پنهان مارکوف (HMM) برای برچسب گذاری POS در NLTK
Hidden Markov models (HMMs) for POS tagging in NLTK
تولید متن با استفاده از شبکه های عصبی بازگشتی (RNN)
Text generation using recurrent neural networks (RNNs)
آماری: طبقه بندی کننده های ساده بیز
Statistical: Naive Bayes classifiers
انواع الگوریتم در پردازش زبان طبیعی
Types of algorithms in natural language processing
مبتنی بر قانون: تجزیه مبتنی بر قانون
Rule-based: Rule-based parsing
آماری: فیلدهای تصادفی شرطی (CRF)
Statistical: Conditional random fields (CRFs)
تجزیه جملات به ساختارهای نحوی با استفاده از گرامرهای بدون متن (CFG) در NLTK
Parsing sentences into syntactic structures using context-free grammars (CFG) in NLTK
یادگیری عمیق: شبکه های عصبی مکرر (RNN)
Deep learning: Recurrent neural networks (RNNs)
K-mean خوشه بندی برای مجموعه داده نقد فیلم
K-means clustering for the movie reviews dataset
طبقه بندی داده های متنی با استفاده از SVM
Classify text data using SVM
برچسب گذاری قسمتی از گفتار (POS) با استفاده از spaCy
Part-of-speech (POS) tagging using spaCy
یادگیری انتقالی در پردازش زبان طبیعی (NLP)
Transfer learning in natural language processing (NLP)
یادگیری ماشینی: درختان تصمیم
Machine learning: Decision trees
لینکدین: شبکه اجتماعی حرفهای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکههای اجتماعی حرفهای، به میلیونها افراد در سراسر جهان این امکان را میدهد تا ارتباط برقرار کنند، اطلاعات حرفهای خود را به اشتراک بگذارند و فرصتهای شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان میدهد تا رزومه حرفهای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمنها و گروههای حرفهای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهرهمند شوند.
لینکدین همچنین به کارفرمایان امکان میدهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفهای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصتهای شغلی و گسترش شبکه حرفهای خود، نقش مهمی را ایفا میکند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفهای در دنیای امروز مورد توجه قرار دارد.
Wuraola Oyewusi یک دانشمند داده با تجربه، یادگیری ماشین و متخصص هوش مصنوعی است.
Wuraola Oyewusi یک دانشمند داده با تجربه، یادگیری ماشین و متخصص هوش مصنوعی است.
Wuraola در پردازش زبان طبیعی (NLP)، مراقبت های بهداشتی، داده ها تخصص دارد. سرپرستی و تحقیق او مدرک لیسانس خود را در رشته داروسازی (BPharm) از دانشگاه اولابیسی اونابانجو گرفت و در حال حاضر به عنوان دریافت کننده ویزای استعدادهای جهانی (علم داده و هوش مصنوعی) در بریتانیا زندگی می کند.
نمایش نظرات