آموزش جامع پردازش زبان طبیعی (NLP) با PyTorch [ویدئویی] - آخرین آپدیت

دانلود Hands-On Natural Language Processing with PyTorch [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هدف اصلی این دوره، آموزش شما برای انجام وظایف پیچیده پردازش زبان طبیعی (NLP) و ساخت اپلیکیشن‌های زبانی هوشمند با استفاده از یادگیری عمیق و کتابخانه PyTorch است. در طول این دوره، شما دو اپلیکیشن واقعی و کاربردی NLP خواهید ساخت. اولین پروژه، یک تحلیل‌گر احساسات (Sentiment Analyzer) است که داده‌ها را برای تشخیص مثبت یا منفی بودن نظرات درباره یک فیلم خاص تحلیل می‌کند. سپس یک ماشین ترجمه عصبی پیشرفته خواهید ساخت که یک موتور ترجمه گفتار است و با استفاده از مدل‌های Sequence to Sequence و انعطاف‌پذیری PyTorch، متن‌های داده شده را به زبان‌های مختلف ترجمه می‌کند. در پایان این دوره، شما مهارت‌های لازم برای ساخت مدل‌های NLP واقعی با استفاده از قابلیت‌های یادگیری عمیق PyTorch را کسب خواهید کرد. پکیج کد این دوره در آدرس https://github.com/PacktPublishing/Hands-On-Natural-Language-Processing-with-Pytorch در دسترس است. این دوره از Python 3.6، Pytorch 1.0، NLTK 3.3.0 و Spacy 2.0 استفاده می‌کند که محتوای بسیار مفید و مرتبطی را برای کاربران PyTorch ارائه می‌دهد. آنچه در این دوره می‌آموزید: - راه‌اندازی و بهره‌برداری از PyTorch برای وظایف NLP - پاک‌سازی و پیش‌پردازش داده‌ها با استفاده از NLTK و spaCy - پیاده‌سازی Word Embeddings با gensim - ساخت و آموزش مدل‌های RNN و LSTM برای تحلیل احساسات - توسعه مترجم‌های ماشین عصبی با معماری seq2seq - بهبود مدل‌های ترجمه با شبکه‌های Attention اگر توسعه‌دهنده، پژوهشگر یا متخصص مشتاق علوم داده در حوزه هوش مصنوعی هستید و می‌خواهید در این زمینه پیشرفته عمیق‌تر شوید، این دوره برای شماست. پیش‌زمینه ابتدایی در یادگیری ماشین و تجربه برنامه‌نویسی با پایتون مورد نیاز است. ویژگی‌های دوره: پروژه‌های عملی در کاربردهای مختلف NLP، راهنمای کاربردی پیش‌پردازش داده‌ها، درک عمیق مفاهیم پیشرفته NLP و بینش‌های تخصصی در مورد PyTorch.

سرفصل ها و درس ها

شروع کار با PyTorch Up and Running with PyTorch

  • مرور کلی دوره The Course Overview

  • استفاده از یادگیری عمیق در پردازش زبان طبیعی Using Deep Learning in Natural Language Processing

  • توابع و ویژگی‌های PyTorch Functions and Features of PyTorch

  • نصب و راه‌اندازی PyTorch Installing and Setting Up PyTorch

  • درک تحلیل احساسات و NMT Understanding Sentiment Analysis and NMT

پاک‌سازی و پیش‌پردازش داده‌ها برای تحلیل احساسات Data Cleaning and Preprocessing for Sentiment Analysis

  • نصب NLTK و spaCy NLTK and spaCy Installations

  • توکن‌بندی (Tokenization) با NLTK Tokenization with NLTK

  • کلمات توقف (Stop Words) Stop Words

  • ریشه‌یابی (Lemmatization) Lemmatization

  • خط لوله‌های پردازشی (Pipelines) Pipelines

پیاده‌سازی Word Embeddings با gensim Implement Word Embeddings with gensim

  • کار با Word Embeddings Working with Word Embeddings

  • راه‌اندازی و نصب gensim Setting Up and Installing gensim

  • بررسی Word Embeddings با gensim Exploring Word Embeddings with gensim

  • درک Embeddingهای ایجاد شده Understanding the Embeddings Created

  • استفاده از Word2vec برای Embeddingهای پیش‌آموزش‌دیده Pretrained Embeddings Using Word2vec

آموزش واحدهای RNN و LSTM برای تحلیل احساسات Train RNNs and LSTMs Units for Sentiment Analysis

  • کار با شبکه‌های عصبی بازگشتی (RNN) Working with Recurrent Neural Network

  • پیاده‌سازی RNN Implementing RNN

  • نتایج حاصل از RNN Results with RNN

  • کار با LSTM Working with LSTM

  • پیاده‌سازی LSTM Implementing LSTM

  • نتایج حاصل از LSTM Results with LSTM

ساخت مترجم ماشین عصبی Build a Neural Machine Translator

  • مقدمه‌ای بر seq2seq Intro to seq2seq

  • نصبات مورد نیاز Installations

  • پیاده‌سازی seq2seq – رمزگذار (Encoder) Implementing seq2seq – Encoder

  • پیاده‌سازی seq2seq – رمزگشا (Decoder) Implementing seq2seq – Decoder

  • نتایج حاصل از seq2seq Results with seq2seq

بهبود ترجمه ماشین عصبی با شبکه‌های Attention Improve the Neural Machine Translation with Attention Networks

  • مقدمه‌ای بر شبکه‌های Attention Introduction to Attention Networks

  • پیاده‌سازی seq2seq – رمزگذار (Encoder) Implementing seq2seq – Encoder

  • نتایج حاصل از شبکه Attention Results with Attention Network

  • مسیر پیش رو و جمع‌بندی The Way Forward

نمایش نظرات

آموزش جامع پردازش زبان طبیعی (NLP) با PyTorch [ویدئویی]
جزییات دوره
2h 24m
30
Packtpub Packtpub
(آخرین آپدیت)
1
5 از 5
ندارد
دارد
دارد
Jibin Mathew
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jibin Mathew Jibin Mathew

جیبین متیو یک دانشمند ارشد داده و محقق یادگیری ماشین است که بیش از 7 سال در حوزه هوش مصنوعی کار کرده است. او یک کارآفرین سریالی است و چندین شرکت نوپای هوش مصنوعی را تاسیس کرده است. او پیشینه مهندسی نرم افزار قوی دارد و گردش کار کامل را از تحقیق گرفته تا استقرار تولید مقیاس پذیر درک می کند. او راه حل هایی در زمینه های مراقبت های بهداشتی، محیط زیست، مالی، نظارت صنعتی و خرده فروشی ایجاد کرده است. او مشاور شرکت های مختلف در تلاش های هوش مصنوعی آنها بوده است. او برنده چالش جهانی تاثیر دانشگاه Singularity 2018 بود و بخشی از پلتفرم های مختلف جهانی بوده است. او یک مشارکت کننده فعال در جامعه است و دانش خود را با نوشتن محتوا و از طریق پست های وبلاگ به اشتراک می گذارد.