آموزش استخراج کاربردی اطلاعات با پایتون - آخرین آپدیت

دانلود Applied Information Extraction in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در دوره «استخراج کاربردی اطلاعات با پایتون»، شما خواهید آموخت که چگونه اطلاعات مفید را از داده‌های متنی آزاد (Free-text) استخراج کنید؛ داده‌هایی که هنگام تایپ توسط کاربران ایجاد می‌شوند. نمونه‌هایی از این داده‌ها شامل نام افراد یا سازمان‌ها، اطلاعات مکانی مانند شهرها و کدهای پستی، یا موارد دیگر مانند قیمت سهام و تشخیص‌های پزشکی است. داده‌های متنی آزاد در همه جا، از مقالات مجلات گرفته تا پست‌های شبکه‌های اجتماعی یافت می‌شوند و تحلیل آن‌ها می‌تواند پیچیده باشد. در این دوره، شما از تکنیک‌های کاربردی یادگیری ماشین و متن‌کاوی برای تحلیل داده‌های متنی استفاده خواهید کرد. شما یاد می‌گیرید که چگونه موجودات نام‌دار (Named Entities) را شناسایی کرده و آن‌ها را با دسته‌بندی‌های مناسب برچسب‌گذاری کنید و این کار را با استفاده از داده‌های واقعی در حوزه‌های کسب‌وکار، سیاست و بهداشت و درمان انجام خواهید داد. شما رویکردهای متعددی را برای شناسایی و استخراج موجودات نام‌دار و ویژگی‌های مورد نظر، از عبارت‌های منظم (Regular Expressions) گرفته تا مدل‌های شبکه عصبی، توسعه خواهید داد. در نهایت، مدل‌های ترنسفورمر مانند ChatGPT و مدل‌های زبانی بزرگ (LLM) را برای استخراج اطلاعات از مجموعه‌داده‌های عظیم بررسی خواهید کرد. این دوره، آخرین بخش از سری چهارگانه «علوم داده کاربردی پیشرفته با پایتون» است که بر کمک به شما در به‌کارگیری تکنیک‌های پیشرفته علوم داده متمرکز است. توصیه می‌شود تمامی دانشجویان پیش از این دوره، دوره‌های مقدماتی علوم داده با پایتون، یادگیری ماشین کاربردی با پایتون و متن‌کاوی کاربردی با پایتون را تکمیل کنند.

سرفصل ها و درس ها

استخراج اطلاعات Information Extraction

  • خوش‌آمدگویی به دوره استخراج اطلاعات Welcome to Information Extraction

  • استخراج اطلاعات چیست؟ What is Information Extraction?

  • استخراج اطلاعات در دامنه‌های مختلف Information Extraction in Different Domains

  • استخراج اطلاعات ساختاریافته Extracting Formatted Information

  • استخراج مبتنی بر جستجو (Lookup Based) Lookup Based Extraction

  • دمو: استفاده از عبارت‌های منظم و بررسی خروجی Demo: Using Regular Expressions & Examining Output

  • معرفی تمرین ۱: قالب‌بندی و نرمال‌سازی داده‌ها با Regular Expressions Assignment 1 Introduction: Formatting & Normalizing Data with Regular Expressions

بازشناسی موجودات نام‌دار (NER) Named Entity Recognition (NER)

  • بازشناسی موجودات نام‌دار (NER) چیست؟ What is Named Entity Recognition (NER)?

  • NER به عنوان یک تسک طبقه‌بندی توالی NER as a Sequence Classification Task

  • اصول مدل‌های زنجیره مارکوف Fundamentals of Markov Chain Models

  • مدل‌های مارکوف پنهان (HMMs) Hidden Markov Models (HMMs)

  • میدان‌های تصادفی شرطی (CRFs) Conditional Random Fields (CRFs)

  • دمو: آموزش مدل CRF Demo: CRF Model Training

  • معرفی تمرین ۲: پیاده‌سازی یک مدل CRF Assignment 2 Introduction: Implementing a CRF Model

مدل‌های شبکه عصبی Neural Network Models

  • مقدمه‌ای بر یادگیری عمیق Introduction to Deep Learning

  • مدل‌های شبکه عصبی Neural Network Models

  • مدل‌های شبکه عصبی عمیق Deep Neural Network Models

  • دمو: پیکربندی Bi-Directional LSTM Demo: Configuring the Bi-Directional LSTM

  • معرفی تمرین ۳: ساخت خط لوله استخراج اطلاعات با BiLSTMs و CRFs Assignment 3 Introduction: Building an Information Extraction Pipeline with BiLSTMs and CRFs

ترنسفورمرها و تحول در استخراج اطلاعات Transformers Transform Information Extraction

  • مدل‌های زبانی (LMs) Language Models (LMs)

  • مدل‌های زبانی بزرگ (LLMs) Large Language Models (LLMs)

  • ترنسفورمرها Transformers

  • معرفی تمرین ۴: ساخت خط لوله استخراج اطلاعات با استفاده از ترنسفورمرها Assignment 4 Introduction: Build an Information Extraction Pipeline using Transformers

  • جمع‌بندی دوره Course Wrap-Up

نمایش نظرات

آموزش استخراج کاربردی اطلاعات با پایتون
جزییات دوره
24h 50m
24
(آخرین آپدیت)
586
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar